Clinical predictors of driving simulator performance in drivers with multiple sclerosis
Notice bibliographique
Résumé
Background: Drivers with multiple sclerosis (MS) may experience visual–cognitive impairment that affects their fitness to drive. Due to limitations associated with the on-road assessment, an alternative assessment that measures driving performance is warranted. Whether clinical indicators of on-road outcomes can also predict driving performance outcomes on a driving simulator are not fully understood. Objective: This study examined if deficits in immediate verbal/auditory recall (California Verbal Learning Test–Second Edition; CVLT2-IR) and/or slower divided attention (Useful Field of View™; UFOV2) predicted deficits in operational, tactical, or strategic maneuvers assessed on a driving simulator, in drivers with and without MS. Methods: Participants completed the CVLT2-IR, UFOV2, and a driving simulator assessment of operational, tactical, and strategic maneuvers. Results: Deficits in immediate verbal/auditory recall and slower divided attention predicted adjustment to stimuli errors, pertaining to tactical maneuvers only, in 36 drivers with MS (vs 20 drivers without MS; F(3, 51) = 6.1, p = 0.001, R 2 = 0.3, [Formula: see text]). Conclusion: The CVLT2-IR and UFOV2 capture the visual and verbal/auditory recall, processing speed, and divided attention required to appropriately adjust to stimuli in a simulated driving environment. Clinicians may use the CVLT2-IR and UFOV2 as precursors to driving performance deficits in drivers with MS.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».