Crash Risk Following Return to Driving After Moderate-to-Severe TBI: A TBI Model Systems Study
Notice bibliographique
Résumé
OBJECTIVE: To examine motor vehicle crash frequency and risk factors following moderate-to-severe traumatic brain injury (TBI). SETTING: Eight TBI Model Systems sites. Participants: Adults ( N = 438) with TBI who required inpatient acute rehabilitation. DESIGN: Cross-sectional, observational design. MAIN MEASURES: Driving survey completed at phone follow-up 1 to 30 years after injury. RESULTS: TBI participants reported 1.5 to 2.5 times the frequency of crashes noted in the general population depending on the time frame queried, even when accounting for unreported crashes. Most reported having no crashes; for those who experienced a crash, half of them reported a single incident. Based on logistic regression, age at survey, years since injury, and perception of driving skills were significantly associated with crashes. CONCLUSION: Compared with national statistics, crash risk is higher following TBI based on self-report. Older age and less time since resuming driving were associated with lower crash risk. When driving was resumed was not associated with crash risk. These results do not justify restricting people from driving after TBI, given that the most who resumed driving did not report experiencing any crashes. However, there is a need to identify and address factors that increase crash risk after TBI.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».