257 Identifying safe vs unsafe medically at-risk drivers through serial trichotomization
Notice bibliographique
Résumé
<h3>Background</h3> Clinical test batteries to predict safe vs unsafe drivers are not accurate enough to exempt the on-road test for medically at-risk drivers. Applying serial trichotomization to clinical test batteries may reduce the need to test all at-risk drivers. <h3>Aims</h3> To examine whether serial trichotomization predicts pass/fail outcomes of a comprehensive driving evaluation (CDE) in medically at-risk drivers with physician-referrals for a CDE. <h3>Methods</h3> CDE data was collected retrospectively from two driver assessment clinics in Canada (n=143; mean age 69.3±14.1 years). Clinical tests included the Montreal Cognitive Assessment (MoCA), Trail Making A and B tests, and Useful Field of View subtests 1–3 (UFOV1–3), and a pass/fail or indeterminate (i.e., fail with lessons and retest) outcome on the CDE. Serial trichotomization involved performing a receiver operating characteristics curve for each clinical test to determine cut-points with 100% accuracy in predicting pass/fail outcomes. A funnel was created arranging the clinical tests in order of accuracy (i.e., most-least) for predicting pass/fail outcomes, and with each clinical test’s cut-points, determining pass/fail or indeterminate outcomes. <h3>Results</h3> Compared to participants’ CDE outcomes, serial trichotomization of the UFOV3, UFOV2, UFOV1, Trails B, MoCA, and Trails A predicted more pass (44% vs 33%) and fail outcomes (34.3% vs 27%) with fewer indeterminate outcomes (21.7% vs 40%). <h3>Conclusion</h3> Serial trichotomization more accurately identifies safe vs unsafe medically at-risk drivers, reducing the number of unnecessary on-road tests, driving assessor caseloads, and client wait times. <h3>Learning Outcome</h3> Describe the process of serial trichotomization of clinical tests predicting CDE outcomes.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».