Return to Driving Following Moderate-to-Severe Traumatic Brain Injury: A TBI Model System Longitudinal Investigation
Notice bibliographique
Résumé
OBJECTIVE: To examine longitudinal patterns of return to driving (RTD), driving habits, and crash rates associated with moderate-to-severe traumatic brain injury (TBI). SETTING: Eight TBI Model System sites. PARTICIPANTS: Adults ( N = 334) with TBI that required inpatient acute rehabilitation with follow-up of 197 and 218 at 1 and 2 years post-injury, respectively. Data collection at 2 years occurred almost exclusively during the pandemic, which may have affected results. DESIGN: Longitudinal and observational. MAIN MEASURES: Driving survey completed during rehabilitation and at phone follow-up 1 and 2 years after injury. RESULTS: The rate of RTD was 65% at 1-year follow-up and 70% at 2-year follow-up. RTD at both follow-up time points was positively associated with family income. The frequency of driving and distance driven were diminished compared to before injury. Limitation of challenging driving situations (heavy traffic, bad weather, and at night) was reported at higher rates post-injury than before injury. Crash rates were 14.9% in the year prior to injury (excluding crashes that resulted in TBI), 9.9% in the first year post-injury, and 6% during the second year. CONCLUSION: RTD is common after TBI, although driving may be limited in terms of frequency, distance driven, and avoiding challenging situations compared to before injury. Incidence of crashes is higher than population-based statistics; however, those who sustain TBI may be at higher risk even prior to injury. Future work is needed to better identify characteristics that influence the likelihood of crashes post-TBI.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».