Are cardiac patients in Saudi Arabia provided adequate instructions when they should not drive?
Notice bibliographique
Résumé
Abstract Objective: Driving capability can be significantly affected by different heath disorders; cardiovascular diseases (CVDs) should be considered when assessing patients for medical fitness to drive (MFTD). The aim of this study was to evaluate the awareness of Saudi patients about driving recommendations and to assess the incidence of motor vehicle accidents (MVAs) among cardiac patients. Materials and Methods: We conducted a cross-sectional survey-based study. Male patients diagnosed with CVDs and who were visiting outpatient departments were invited to complete a questionnaire regarding their awareness of driving recommendations. Patients’ demographics, clinical diagnosis, echocardiography parameters, and time-to-CVD diagnosis were all obtained from the patients’ medical records. Women were excluded because it was illegal for women to drive in Saudi Arabia during the study period. Results: In total, 800 men were included, with a mean age of 54 ± 12 years. Driving counseling had been provided to 241 participants (30%). Of these, 207 (25%) were advised not to drive for a period of between one week and six months. Five percent of the patients had a history of MVAs during the follow-up period of 6.2 ± 4 years. We found that the presence of a dyspnea ≥2, according to the New York Heart Association (NYHA), and a history of loss of consciousness (syncope/pre-syncope) were significantly associated with accidents (46% vs. 20%, P < 0.0001 and 41% vs. 10%, P < 0.0001, respectively). Conclusion: Patient–physician discussion about MFTD was only performed with 30% of the patients with CVDs in Saudi Arabia. Dyspnea NYHA class ≥2 or a prior history of syncope were significantly associated with the incidence of MVAs.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| 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 ».