Predicting the risk of motor vehicle crash in the first year after cardioverter-defibrillator implantation
Notice bibliographique
Résumé
BACKGROUND: Baseline health and driving data might allow clinicians to personalise medical driving restrictions after implantable cardioverter-defibrillator (ICD) implantation. METHODS: Using 22 years of population-based administrative data from British Columbia, Canada, we identified licensed drivers with a first ICD implantation between 1998 and 2018. After stratifying by ICD indication (primary vs secondary prevention of sudden cardiac death), we used baseline health and driving data and logistic regression to estimate each driver's 1-year crash risk. We assessed optimism-corrected discrimination and calibration of the final model using 200 bootstrapped samples. RESULTS: In the first year after implantation, there were 352 crashes among 3652 primary prevention ICD recipients and 270 crashes among 3408 secondary prevention ICD recipients. Crash prediction models exhibited poor discrimination (c-statistics 0.60 and 0.61, respectively) but good calibration (calibration slopes 1.14 and 1.07). The strongest predictors of crash among primary prevention ICD recipients were male sex, active vehicle insurance in the past year and the number of crashes in the past year. The strongest predictors of crash among secondary prevention ICD recipients were male sex, no history of seizure, an active prescription for opioids and active vehicle insurance in the past year. CONCLUSIONS: Crash prediction models based on health and driving data had a limited ability to distinguish individuals who subsequently crashed from individuals who did not. Observed crash risks are likely to be strongly influenced by unobserved changes in road exposure (the hours or miles of driving per week), limiting the application of these risk scores by clinicians and policy-makers.
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 | 0,000 |
| 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 | 0,000 | 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 ».