Rapid cognitive testing predicts real-world driving risk in commercial and medically at-risk drivers
Notice bibliographique
Résumé
Abstract Road safety is a major public and occupational health issue. Safe driving requires numerous cognitive and sensorimotor skills, and past literature suggests that cognitive testing can predict safe or unsafe driving in both healthy and medically at-risk drivers. However, such testing is often time-consuming and inaccessible. In this study, we designed a modified version of the Trail Making Test (TMT) which can be completed on a smartphone in approximately 5 minutes. We recruited 4405 commercially-licensed drivers and 314 medically at-risk drivers to complete the TMT, plus an on-road test of their driving abilities. We then trained and tested a logistic regression model using 50-50 splits on each dataset. The results of the model showed that the longer it took drivers in both groups to complete the TMT, the more likely they were to fail the on-road driving test. Accuracy for the commercial group was 83.8%, with a positive predictive value (PPV) of 34.4% and a negative predictive value (NPV) of 85.3%. Accuracy for the medically at-risk group was 63.1%, with a PPV of 55.8% and an NPV of 65.8%. Overall accuracy was 82.5%, with a PPV of 43.0% and an NPV of 84.3%. Log-transformed reaction time to targets was significantly associated with on-road failure in both driving groups. The results of this study suggest that a rapid and accessible version of the TMT can predict unsafe driving with comparable accuracy to more time-consuming and administratively burdensome means of testing.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».