A Systematic Review and Meta-Analysis on the Association Between Driving Ability and Neuropsychological Test Performances after Moderate to Severe Traumatic Brain Injury
Notice bibliographique
Résumé
OBJECTIVES: Guidelines on return-to-driving after traumatic brain injury (TBI) are scarce. Since driving requires the coordination of multiple cognitive, perceptual, and psychomotor functions, neuropsychological testing may offer an estimate of driving ability. To examine this, a meta-analysis of the relationship between neuropsychological testing and driving ability after TBI was performed. METHODS: Hedge's g and 95% confidence intervals were calculated using a random effects model. Analyses were performed on cognitive domains and individual tests. Meta-regressions examined the influence of study design, demographic, and clinical factors on effect sizes. RESULTS: Eleven studies were included in the meta-analysis. Executive functions had the largest effect size (g = 0.60 [0.39-0.80]), followed by verbal memory (g = 0.49 [0.27-0.71]), processing speed/attention (g = 0.48 [0.29-0.67]), and visual memory (g = 0.43 [0.14-0.71]). Of the individual tests, Useful Field of Vision (UFOV) divided attention (g = 1.12 [0.52-1.72]), Trail Making Test B (g = 0.75 [0.42-1.08]), and UFOV selective attention (g = 0.67 [0.22-1.12]) had the largest effects. The effect sizes for Choice Reaction Time test and Trail Making Test A were g = 0.63 (0.09-1.16) and g = 0.58 (0.10-1.06), respectively. Years post injury (β = 0.11 [0.02-0.21] and age (β = 0.05 [0.009-0.09]) emerged as significant predictors of effect sizes (both p < .05). CONCLUSIONS: These results provide preliminary evidence of associations between neuropsychological test performance and driving ability after moderate to severe TBI and highlight moderating effects of demographic and clinical factors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».