Visual Field Impairment and Driver Fitness: A 1-Year Review of Crashes and Traffic Violations
Notice bibliographique
Résumé
IMPORTANCE: Occupational therapists frequently assess the fitness to drive of people with visual field impairment, but the relationship between these assessments and driving performance over time is not well understood. OBJECTIVE: To determine traffic violation and crash incidence over a 1-yr period for drivers with visual field impairment. DESIGN: Retrospective review of medical and driving records. SETTING: British Columbia, Canada. PARTICIPANTS: Participants (N = 445) were ages 26-74 yr with binocular, corrected visual acuity of ≥20/50. Goldmann visual field tests were reviewed to stratify participants on the basis of visual field impairment and whether impairments exceeded licensing standards. OUTCOME AND MEASURES: Traffic records were reviewed to determine group-specific traffic violations and crash incidence during the year after the visual field test. RESULTS: Of 445 participants, 292 held a valid driver's license during the designated period. Participants not meeting the licensing standards were less likely to become licensed than participants who met the standards. The results indicate that drivers with visual field impairment did not have a higher probability of crashes or violations than drivers without visual field impairment. CONCLUSION: Drivers with visual field impairment who retained a driver's license did not have an increased probability of crashes in the following year. A larger, prospective, mixed methods study of long-term driving behaviors among people with visual field impairment is recommended. WHAT THIS ARTICLE ADDS: This study provides preliminary data on the 1-yr incidence of traffic violations and crashes among people with visual field impairment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».