The SIMARD-MD is not an Effective Driver Screening Tool for Determining Fitness-To-Drive
Notice bibliographique
Résumé
BACKGROUND: Studies have reported poor sensitivity and specificity of the Screen for the Identification of Cognitively Impaired Medically At-Risk Drivers, a modification of the DemTech (SIMARD-MD) to screen for drivers with cognitive impairment. The purpose of this study was to determine whether the SIMARD-MD can accurately predict pass/fail on a road test in drivers with cognitive impairment (CI) and healthy drivers. METHODS: Data from drivers with CI were collected from two comprehensive driving assessment centres (n=86) and compared with healthy drivers (n=30). All participants completed demographic measures, clinical measures, and a road rest (pass/fail). Analyses consisted of correlations between the SIMARD-MD and the other clinical measures, and a receiver-operating-characteristic (ROC) curve to determine the predictive ability of the SIMARD-MD. RESULTS: < .001). The ROC curve showed the SIMARD-MD, regardless of any cut-point, misclassified a large number of CI individuals (AUC=.692; 95% CI = 0.578, 0.806). CONCLUSIONS: Given the high level of misclassification, the SIMARD-MD should not be used with either healthy drivers or those with cognitive impairment for making decisions about driving.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,007 | 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 ».