Clinical Tests Predicting On-Road Performance in Older Drivers with Cognitive Impairment
Notice bibliographique
Résumé
Background. The Trail Making Test Part B (Trails B) and Useful Field of View® (UFOV) can predict on-road outcomes in drivers with cognitive impairment (CI); however, studies have not included drivers referred for comprehensive driving evaluations (CDEs), who typically have more severe CI. Purpose. We determined the predictive ability of Trails B and UFOV on pass/fail on-road outcomes in drivers with CI (Montreal Cognitive Assessment <26) referred for CDEs. Method. Retrospective data collection from two driving assessments centers ( N = 100, mean age = 76.2 ± 8.8 years). Findings. The Trails B (area under the curve [AUC] = .70) and UFOV subtests 2 (AUC = .73) and 3 (AUC = .76) predicted pass/fail outcomes. A cut-point ≥467 ms on UFOV subtest 3 better-predicted pass/fail outcomes with 78.9% sensitivity and 73.5% specificity. In comparison, a cut-point ≥3.58 min on Trails B had lower sensitivity (73.7%) and specificity (61.8%). Implications. The UFOV subtest 3 may be more useful than the Trails B for predicting pass/fail outcomes in drivers with more severe CI referred for CDEs.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,001 | 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 ».