Antidepressants and Driving in Older Adults: A Systematic Review
Bibliographic record
Abstract
RÉSUMÉ Avec le nombre croissant de conducteurs âgés pour lesquelles on prescrit des antidépresseurs, les conséquences potentielles de l’utilisation des antidépresseurs sur les compétences de conduite dans une population vieillissante deviennent un problème urgent. Nous avons effectué une analyse systématique en utilisant MEDLINE, ciblant des articles qui se rapportent spécifiquement aux antidépresseurs et à la conduite dans une population ou sous-groupe de personnes âgées (≥ 55 ans d’âge). La recherche a retourné 267 références, dont neuf portaient sur les effets des antidépresseurs sur la conduite chez les personnes âgées. L’étude expérimentale unique a trouvé que imipramine exerce des effets néfastes sur la conduite sur autoroute, alors que la néfazodone n’a pas fait. Sept des huit études de population ont rapporté une augmentation significative du risque d’être impliqué dans une collision associé à l’utilisation des antidépresseurs. Bien que les études ont indiqué un effet négatif des antidépresseurs sur la conduite, les conceptions épidémiologiques ne peuvent pas exclure la possibilité que la maladie sous-jacente, qui est généralement la dépression majeure, est la coupable.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.005 |
| Bibliometrics | 0.008 | 0.008 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".