Roma – Con l’invecchiamento della popolazione mondiale, aumenta anche la percentuale di conducenti anziani sulla strada. Una guida sicura richiede memoria, capacità percettive e motorie adeguate e capacità delle funzioni esecutive. Sebbene gli individui affetti da grave malattia di Alzheimer e demenze correlate (ADRD) non siano più in grado di guidare in modo sicuro, i cambiamenti nelle prestazioni di guida possono iniziare nella fase preclinica dell’AD.
La decisione di smettere di guidare a causa del declino cognitivo è difficile e controversa per gli anziani, le loro famiglie e i medici. Sebbene siano disponibili numerosi test cognitivi e valutazioni su strada, i professionisti clinici hanno riferito di avere una formazione limitata e vincoli di tempo per somministrare questi test per determinare se un paziente deve smettere di guidare. Inoltre, è difficile ottenere prove oggettive.
Con l’aiuto di un calcolatore basato sull’evidenza chiamato “Fit2Drive”, i ricercatori della Florida Atlantic University hanno semplificato la gestione e la valutazione di un test ambulatoriale per prevedere la probabilità di un individuo anziano di superare un test di guida su strada. Basato su test cognitivi brevi e facilmente gestibili, Fit2Drive fornisce una stima oggettiva della capacità di guidare per chi ha problemi cognitivi.
Per lo studio, i ricercatori del FAU Christine E. Lynn College of Nursing e Charles E. Schmidt College of Science hanno creato un algoritmo per generare rapidamente la previsione per un singolo paziente. Hanno combinato 12 test cognitivi e dati di valutazione su strada provenienti da due campioni: pazienti del repository di dati del Louis and Anne Green Memory and Wellness Center della FAU e conducenti più anziani della comunità.
I test cognitivi includevano il Mini-Mental State Exam (MMSE), un noto strumento di screening della demenza in 30 punti; e Trail Making Tests A, una prova di tracciamento visivo; e B, per valutare la flessibilità cognitiva e misurare il funzionamento esecutivo. In totale, 412 partecipanti allo studio, di età compresa tra 59 e 89 anni, hanno completato le valutazioni cognitive e un test di guida su strada. I risultati dello studio, pubblicati sul Journal of American Medical Director Association , hanno mostrato che l’algoritmo Fit2Drive ha dimostrato una forte precisione predittiva del 91,5%. Un esame passo passo del potere predittivo dei risultati e di una serie di combinazioni
, ha mostrato che il punteggio più alto del MMSE e il tempo di Trails B in secondi rappresentavano la percentuale più alta di varianza unica nel modello predittivo con un minimo aumento aggiuntivo del valore predittivo. forza fornita da ulteriori punteggi dei test.
I risultati hanno anche mostrato differenze statisticamente significative nei risultati della valutazione su strada tra i due campioni, con la maggior parte di coloro che non hanno superato il test di guida su strada provenienti dal set di dati dell’archivio (53,7%) rispetto a quelli del campione comunitario (7,9% ).
“La rabbia, le lacrime e la frustrazione da parte del singolo paziente e la mancanza di dati oggettivi per guidare le raccomandazioni dei medici sono le forze trainanti dietro i nostri sforzi per sviluppare un predittore altamente accurato e basato sull’evidenza della capacità di superare un ostacolo su strada esame di guida”, ha affermato Ruth Tappen , Ed.D., autrice senior e eminente studiosa e professoressa Christine E. Lynn, FAU Christine E. Lynn College of Nursing. “I risultati di Fit2Drive hanno lo scopo di fornire al medico prove oggettive utili che possono essere condivise con il paziente e la famiglia preoccupati sull’opportunità di continuare a guidare, una situazione che rappresenta un importante evento della vita per loro e una sfida per i fornitori di cure primarie”.
Per identificare il minor numero di risultati dei test cognitivi in grado di prevedere la probabilità di una persona di superare un test di guida su strada, i ricercatori hanno inserito i risultati dei test in studio in una regressione logistica (modello statistico) utilizzando il superamento o il fallimento del test su strada risultati come risultato sul quale sono state regredite le possibili variabili predittive.
Il risultato binario pass-fail ha consentito al modello predittivo di valutare la sensibilità (un vero positivo) e la specificità (un vero negativo) dei risultati predittivi rispetto alla valutazione su strada. Da questi dati, i ricercatori hanno creato una tabella di contingenza dai quattro possibili risultati (vero positivo, falso positivo, vero negativo, falso negativo). Viene quindi rappresentata graficamente la combinazione complessiva di sensibilità e specificità (chiamata curva ROC) e l’AUC fornisce una stima dell’accuratezza complessiva dei relativi predittori.
“Stampare una tabella con ogni possibile combinazione del punteggio MMSE e del tempo Trails B produrrebbe 176 pagine, il che sarebbe scomodo da utilizzare per qualsiasi medico durante una consultazione con un paziente”, ha affermato Tappen. “Pertanto, abbiamo sviluppato un calcolatore basato su un’equazione derivata dai nostri dati per fornire un facile accesso ai dati necessari. Quando vengono immessi i risultati dei punteggi MMSE e Trails B di un paziente, il calcolatore fornisce al medico la probabilità della capacità di un paziente di superare un test di guida su strada.
È possibile accedere al calcolatore Fit2Drive su fit2drive.org . I ricercatori raccomandano di somministrare prima il MMSE, seguito dalla somministrazione dei Trails A e dei Trails B, che è il modo in cui sono stati somministrati i test in questo studio. I fornitori possono scaricare l’applicazione dal sito Fit2Drive su un dispositivo mobile Android o iOS e utilizzare uno smartphone per inserire i dati.
“Con l’aumento della nostra capacità di amministrare test cognitivi online, potremmo essere in grado di creare una versione interamente online di Fit2Drive per semplificarne ulteriormente l’utilizzo”, ha affermato Tappen.
I coautori dello studio sono David Newman , Ph.D., professore e statistico, FAU Christine E. Lynn College of Nursing; Monica Roselli , Ph.D., professoressa e cattedra associata di psicologia, FAU Charles E. Schmidt College of Science; Joshua Conniff, un dottorato di ricerca. studente che lavora nel laboratorio di neuropsicologia di Roselli; Consolazione Paulette Sepe, Ph.D. studentessa, FAU Christine E. Lynn College of Nursing; e Matthew Newman, un architetto di sistemi, SolveIT.(30Science.com)
