SERIAL TRICHOTOMIZATION TO IDENTIFY UNSAFE DRIVERS: UPDATE FROM A PROSPECTIVE STUDY
Notice bibliographique
Résumé
Abstract Identifying older adults who may be unsafe to drive remains a difficult task. Gibbons et al. (2017, American Journal of Occupational Therapy) used serial trichotomization based on five cognitive tests to determine if drivers should: 1) continue driving, 2) undergo further evaluation, or 3) stop driving. The tests included the Trail-making-tests A and B (TMT-A/B), the clock-drawing test (CDT), the Motor-Free Visual Perception Test (MVPT), and the Montreal Cognitive Assessment (MoCA). Gibbons et al. relied on dual cut-off values to achieve 100% sensitivity and specificity (within their sample) to reduce false positives and false negatives that arise from using these tests in stand-alone fashion. We used the Gibbons et al. cut-off values prospectively on a cohort of 293 drivers (mean age = 66, SD = 14) referred for driving evaluations at a chronic care and rehabilitation hospital. Each driver completed the five tests. Trained occupational therapists (OTs) provided a recommendation to continue driving, undergo further evaluation, or stop driving. We examined congruence between the tests and the OTs recommendations. Weighted Kappas ranged from a low of .03 (95% CI = -.01 to .08) for the CDT, to a high of .53 (95% CI = .45 to .61) for the TMT-B. Using the same cut-offs, and serial trichotomization, the congruence with the final recommendations was moderate (k = .57, 95% CI = .49 to .66). These results remind us of the variability inherent in stand-alone cognitive tests and even within a serial trichotomization framework.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».