CogniFit - Estimación da probabilidade de estar implicado nun accidente automovilístico en función de datos sociodemográficos e cognitivos.

Exención de responsabilidade : todo o material presentado neste breve informe de análise de datos, a non ser que se indique específicamente o contrario, está en desenvolvemento actual por un grupo de investigadores independentes externos. A análise presentada neste informe ofrécese só con fins informativos e non se debe utilizar nin considerar como unha publicación científica revisada por pares.

Nome orixinal : Estimación da probabilidade de estar implicado nun accidente automovilístico en función de datos sociodemográficos e cognitivos.

Autores : Jon Andoni Duñabeitia ^{1, 2} , José Luis Tapia ¹ .

• 1. Centro de Ciencia Cognitiva - C3 (Centro de Ciencias Cognitivas), Universidad Nebrija (Madrid, España).
• 2. AcqVA Aurora Center, The Artic University of Norway (Tromsø, Noruega).

Principais conclusións:

Existe unha relación sólida entre a puntuación cognitiva "Estimación" de CogniFit e varios tipos de accidentes de tráfico, independentemente do sexo dos condutores (todos os coeficientes son superiores a 0,75). A idade, o sexo e a puntuación de estimación dos condutores son bos predictores da probabilidade do grupo de estar implicado nun accidente de tráfico mortal (representando o 98,3% da varianza, R = 0,966, R2 = 0,983), de estar implicado nun accidente con lesións (que explica o 96,2% da varianza, R = 1,962), de estar implicado = 98,1 de R = 962. accidentes con danos materiais (que explican o 95,8% da varianza, R = 0,979, R2 = 0,958).

Medidas de CogniFit®

Recolléronse datos de dúas tarefas cognitivas realizadas de forma independente que miden as habilidades de estimación dos participantes usando teléfonos intelixentes e ordenadores persoais. Un total de 20.231 persoas de 123 países diferentes e con idades comprendidas entre os 18 e os 78 anos completaron estas dúas tarefas de CogniFit® (10.627 mulleres e 9.606 homes).

Unha das tarefas medía a capacidade dos participantes para estimar a duración dun estímulo auditivo continuo pedíndolles que interrompesen un estímulo auditivo en curso para reproducir o tempo exacto dun estímulo auditivo continuo presentado previamente. A outra tarefa mediu a capacidade dos participantes para estimar a velocidade dos obxectos en movemento , a distancia percorrida e a percorrer e como afecta a interacción da velocidade e a distancia ao movemento dun obxecto. As variables dependentes obtidas nestas dúas tarefas corresponden á porcentaxe global de precisión de cada participante, sendo unha mellor precisión do participante indicada por unha maior puntuación porcentual. A partir destas variables, calculouse unha medida CogniFit® composta das capacidades de estimación de cada persoa .

Medidas de choque de vehículos a motor

Os datos obtivéronse da National Highway Traffic Safety Administration (NHTSA) dos Estados Unidos a través da Fatality and Injury Reporting System Tool (FIRST) . Todos os datos de 2014 a 2018 correspondentes ao número neto de persoas implicadas en tres tipos de accidentes de tráfico foron recollidos do servizo público de consulta e notificación de datos, filtrados pola idade do condutor (seleccionáronse persoas de 18 a 78 anos )

En primeiro lugar, recompiláronse os datos correspondentes aos condutores implicados en accidentes con vítimas mortais do Sistema de Informes de Análise de Fatalidades (FARS), 2004-2017 , e do Arquivo de Informe Anual (ARF), 2018 .

En segundo lugar, os datos dos condutores implicados en accidentes de vehículos de motor só con lesións obtivéronse do Sistema Nacional de mostraxe de automóbiles (NASS-GES), 2004-2015 , e do Sistema de mostraxe de informes de accidentes (CRSS), 2016-2017 .

E en terceiro lugar, recolléronse das mesmas fontes os datos correspondentes aos condutores implicados en accidentes de vehículos a motor con só danos materiais.

Suposicións de partida

A idade é un factor crítico tanto para a frecuencia dos accidentes de cada tipo como para a gravidade (con condutores maiores implicados en menos accidentes). Ademais, a idade tamén é un moderador significativo das capacidades de estimación (os resultados do composto CogniFit® demostran puntuacións máis baixas para as persoas maiores).

Tendo en conta estes dous supostos, a análise de correlación debería mostrar unha relación directa significativa entre o número de accidentes e os resultados das tarefas de estimación de CogniFit® , dado que a idade podería estar a impulsar estas observacións. Pero o máis importante é que se as puntuacións compostas de CogniFit® representan un beneficio adicional para a estimación de calquera tipo de accidente de tráfico, isto debería mostrarse nunha análise de regresión unha vez que se teña en conta o efecto da idade.

Non obstante, hai que ter en conta que as dúas fontes de datos corresponden a mostras diferentes de poboacións diferentes. As medidas de colisión de vehículos a motor foron obtidas da National Highway Traffic Safety Administration (NHTSA) dos Estados Unidos, polo que se involucraron principalmente, se non exclusivamente, a cidadáns estadounidenses. Pola contra, as medidas de CogniFit® obtivéronse dunha mostra diversa de diferentes orixes (123 países). Polo tanto, recoméndase ter precaución ao considerar os resultados da seguinte análise dada a posible existencia de erros de tipo I como consecuencia dun impacto oculto de correlacións espurias.

Non obstante, convén facer varias observacións ao respecto. En primeiro lugar, convén ter en conta que os resultados dunha determinada proba cognitiva cun tamaño de mostra amplo e representativo e propiedades psicométricas adecuadas como as de CogniFit® (ver este enlace para obter detalles sobre a validez e fiabilidade das ferramentas de avaliación) poderían tomarse como datos normativos e, en consecuencia, aplicarse a outras mostras similares mediante a xeneralización. En segundo lugar, e condicionado á premisa de ter tamaños mostrais suficientemente grandes que poidan permitir a xeneralizabilidade e a transferibilidade, débese considerar que o uso de estimacións de parámetros resultantes dun conxunto de datos normativos ou dunha análise para contabilizar a varianza dunha mostra diferente é un medio de extrapolación cada vez máis popular (ver, por exemplo, este artigo ). Isto é especialmente relevante no contexto da análise actual, tendo en conta que é practicamente imposible obter datos nacionais sobre accidentes de vehículos a motor dunha cohorte que foi avaliada cunha batería cognitiva inmediatamente antes de verse implicados nos accidentes. En todo caso, e para tentar orientar a análise cara a mostras con antecedentes similares, realizouse unha aproximación paralela considerando só os datos dos individuos que realizaran a avaliación CogniFit® e que indicaron que eran cidadáns estadounidenses. Esta subselección incluíu 1290 mulleres e 762 homes. É importante destacar que cando se realizou a mesma análise de correlación que se presenta inmediatamente a continuación nesta mostra americana, obtivéronse efectos paralelos, reforzando as principais conclusións (con r>.55 de Pearson e rho de Spearman>.40 para a análise dos datos masculinos, e r>.57 de Pearson e rho de Spearman>.42 para os datos femininos todos ps<.01).

Análise de correlacións

A media dos datos de CogniFit® e NHTSA para homes e mulleres con idades comprendidas entre 18 e 78 anos analizáronse estatisticamente seguindo un enfoque correlacional baseado no coeficiente de rango de Spearman para funcións monótonas e no coeficiente de correlación de Pearson para relacións lineais entre variables.

As porcentaxes medias de precisión tanto para homes como para mulleres nas dúas tarefas de CogniFit® correlacionáronse cos datos brutos de condutores e condutores implicados en 1) accidentes mortais, 2) accidentes só con lesións e 3) accidentes só con danos materiais.

Os resultados mostraron fortes correlacións positivas entre as medidas compostas de CogniFit® e o número dos tres tipos de accidentes entre as idades, con coeficientes de correlación superiores a 0,80 en todos os casos . As seguintes gráficas representan estas relacións entre as variables xunto cos correspondentes coeficientes de correlación. Cada punto representa o valor en cada punto de idade específico, e a liña azul corresponde á liña LOESS axustada (ver Panel gráfico 1).

Ademais, seguiuse un procedemento similar dividindo os datos segundo o sexo dos condutores (home ou muller). Os coeficientes de correlación foron moi similares para ambos os grupos de xénero, demostrando a robustez da relación intrínseca entre a medida composta CogniFit® e os tipos de accidentes , independentemente do xénero dos condutores ( con todos os coeficientes superiores a 0,75 ). As gráficas correspondentes mostran esta relación con cada grupo de xénero representado nunha cor diferente (ver Panel de trazado 1).

Análise de regresión

Realizouse unha análise de regresión lineal utilizando os datos dos distintos tipos de accidentes convertidos á porcentaxe de accidentes por tipo e sexo do total como medidas dependentes, e a idade dos condutores, o seu xénero e a súa puntuación composta CogniFit® como factores preditivos , sumando tamén aos modelos a interacción entre os dous últimos factores.

Os resultados correspondentes a accidentes mortais mostraron unha bondade de axuste moi elevada do modelo, explicando o 98,3% da varianza en función das estimacións dos parámetros (R=0,966, R2=0,983). Os coeficientes do modelo para os diferentes factores mostraron un poder preditivo significativo da idade e do sexo , demostrando que os condutores maiores estaban implicados en menos accidentes mortais que os condutores máis novos e que as mulleres tiveron menos accidentes mortais que os homes. A puntuación composta de CogniFit® tamén mostrou un efecto significativo , o que suxire unha relación directa entre as habilidades de estimación dunha persoa e o número de accidentes mortais. É importante destacar que esta observación final foi cualificada por unha interacción significativa entre a puntuación composta de CogniFit® e o xénero. Como se mostra nas gráficas (ver Panel gráfico 2), a influencia das puntuacións compostas de CogniFit® foi diferente para cada xénero: para os homes, as puntuacións máis altas no composto de CogniFit® asociáronse cun maior risco de verse implicadas en accidentes mortais, mentres que para as mulleres, as puntuacións máis altas de CogniFit® asociáronse con porcentaxes máis baixas de accidentes mortais .

Observáronse resultados paralelos para a análise dos datos correspondentes aos accidentes de vehículos a motor con só lesións . O mesmo modelo explicou o 96,2% da varianza (R=0,981, R2=0,962) e o efecto da idade foi significativo , como tamén ocorría o efecto da puntuación composta CogniFit® . O xénero e a puntuación composta de CogniFit® mostraron unha interacción significativa : mentres que os homes seguiron o patrón directo esperado entre a puntuación composta de CogniFit® e o número de accidentes só con lesións, as mulleres mostraron unha relación inversa: para as mulleres, as puntuacións máis altas de CogniFit® asociáronse con menos accidentes.

Finalmente, realizouse unha análise dos datos correspondentes aos accidentes de vehículos a motor con só danos materiais . O mesmo modelo explicou o 95,8% da varianza (R=0,979, R2=0,958) e os efectos da idade, o sexo e a puntuación composta de CogniFit® foron significativos . O xénero e a puntuación composta de CogniFit® mostraron unha interacción significativa , mostrando unha vez máis unha relación inversa entre as puntuacións compostas de CogniFit® e o número de accidentes de vehículos de motor só con lesións para condutoras.

A seguinte táboa resume o poder explicativo do modelo estatístico engadindo as puntuacións compostas de CogniFit® fronte a un modelo máis sinxelo que só inclúe a idade dos condutores e o seu sexo. Como é evidente, en todos os casos os modelos resultantes son significativamente mellores (como o acreditan os contrastes de modelos estatísticos correspondentes).