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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».