Candrive—Development of a Risk Stratification Tool for Older Drivers
Notice bibliographique
Résumé
BACKGROUND: Assessing an older adult's fitness-to-drive is an important part of clinical decision making. However, most existing risk prediction tools only have a dichotomous design, which does not account for subtle differences in risk status for patients with complex medical conditions or changes over time. Our objective was to develop an older driver risk stratification tool (RST) to screen for medical fitness-to-drive in older adults. METHODS: Participants were active drivers aged 70 and older from 7 sites across 4 Canadian provinces. They underwent in-person assessments every 4 months with an annual comprehensive assessment. Participant vehicles were instrumented to provide vehicle and passive Global Positioning System (GPS) data. The primary outcome measure was police-reported, expert-validated, at-fault collision adjusted per annual kilometers driven. Predictor variables included physical, cognitive, and health assessment measures. RESULTS: A total of 928 older drivers were recruited for this study beginning in 2009. The average age at enrollment was 76.2 (standard deviation [SD] = 4.8) with 62.1% male participants. The mean duration for participation was 4.9 (SD = 1.6) years. The derived Candrive RST included 4 predictors. Out of 4 483 person-years of driving, 74.8% fell within the lowest risk category. Only 2.9% of person-years were in the highest risk category where the relative risk for at-fault collisions was 5.26 (95% confidence interval = 2.81-9.84) compared to the lowest risk group. CONCLUSIONS: For older drivers whose medical conditions create uncertainty regarding their fitness-to-drive, the Candrive RST may assist primary health care providers when initiating a conversation about driving and to guide further evaluation.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».