Driving Automation for Older Adults with Preclinical Alzheimer’s Disease
Notice bibliographique
Résumé
INTRODUCTION: Older adults with preclinical Alzheimer's disease (AD) show changes in on-road driving performance. The impact of preclinical AD on using automated vehicle (AV) technology is unknown. The aim was to evaluate safety and cognitive workload while operating AV technology in drivers with preclinical AD. INTRODUCTION: This cross-sectional study included 40 participants: 19 older adults (age 74.16 ± 4.78; MOCA scores 26.42 ± 2.52) with preclinical AD, evidenced by elevated cortical beta-amyloid; and 21 controls (age 73.81 ± 5.62; MOCA scores 28.24 ± 1.67). All participants completed two scenarios in a driving simulator. Scenario 1 included conditional automation with an emergency event that required a manual take-over maneuver. Scenario 2 was identical but with a cognitive distractor task. Emergency response time was the main safety outcome measure. Cognitive workload was calculated using moment-to-moment changes in pupillary size and converted into an Index of Cognitive Activity (ICA). Mann-Whitney U and independent t tests were used to compare group differences. RESULTS: Emergency response times were similar between drivers with preclinical AD and controls in scenario 1 (20.85 s ± 1.08 vs. 20.52 s ± 3.18; p = 0.83) and scenario 2 (14.83 s ± 7.37 vs. 13.45 s ± 10.43; p = 0.92). Likewise, no differences were found in ICA between drivers with preclinical AD and controls in scenario 1 (0.34 ± 0.08 vs. 0.33 ± 0.17; p = 0.74) or scenario 2 (0.30 ± 0.07 vs. 0.29 ± 0.17; p = 0.93). CONCLUSIONS: Older drivers with preclinical AD may safely operate AV technology, without increased response times or cognitive workload. Future on-road studies with AV technology should confirm these preliminary results in drivers with preclinical AD.
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 | 0,001 |
| 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 | 0,001 |
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 ».