Variables Predicting Clinical Decision-Making to Drive: A Retrospective Analysis
Notice bibliographique
Résumé
INTRODUCTION: Driving is a dynamic activity involving physical, visuo-perceptual, and cognitive skills. There are multiple domains to assess in persons returning to drive –visual, cognitive, motor, and on-road assessments. It is recommended to perform an on-road driving assessment based on a battery of off-road tests. The objective was to identify the most important tests from the battery of tests that best predict the recommendation for an on-road driving assessment in our Driving and Mobility Services (DMS) Clinic. METHODS: A retrospective analysis of our driving service data was gathered from 2017 to 2019. We analyzed data from 98 patients (65 men; mean age 68.8±14.2 years). The patients were referred to the DMS by clinical departments in the University of Kansas Health System. Four key functions that were extracted from the dataset were: vision, motor function, cognition, and simulated driving assessments. RESULTS: A backward linear regression identified possible predictors of the outcome, the clinical decision to drive. The analysis showed that the Montreal Cognitive Test (OR = 1.17, p = 0.01), break reaction time (OR = 0.12, p = 0.002), history of at-fault collision in the past five years (OR = 0.16, p = <0.001), Trail Making Test A (OR = 0.96, p = 0.01), Road Sign Recognition Test (1.42, p = 0.005), Dot Cancellation Test (OR = 0.97, p = 0.03) had the most influence on our decision to recommend a practical driving assessment or not; 52.9% of variance in the decision was explained by the model. CONCLUSIONS: Among several physical, visual, cognitive, simulator-based assessments, we were able to identify the top six variables that were predictive of clinical decision-making to permit driving.
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 | 0,008 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».