CogniFit - Estimación de la probabilidad de verse implicado en un accidente de tráfico en función de datos sociodemográficos y cognitivos.

Nombre original: Probability estimation of being involved in a motor vehicle crash as a function of sociodemographic and cognitive data.

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

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

Conclusión del Estudio

Existe una robusta relación entre la capacidad cognitiva “Estimación” de CogniFit y los diferentes tipos de accidentes de tráfico, independientemente del género de los conductores (todos los coeficientes son mayores de 0.75). La edad, el género y la puntuación de Estimación de los conductores son unos buenos predictores del grupo de probabilidad de estar involucrado en un accidente automovilístico mortal (explicando un 98.3% de la varianza, R=0.966, R2=0.983), de estar involucrado en un accidente con heridos (explicando un 96.2% de la varianza, R=0.981, R2=0.962), y de estar involucrados en accidentes con daños materiales (explicando un 95.8% de la varianza, R=0.979, R2=0.958).

Mediciones de CogniFit®

Se recogieron datos de dos tareas cognitivas realizadas de forma independiente que medían las habilidades de estimación de los participantes utilizando smartphone u ordenador. Un total de 20231 personas de 123 países diferentes y de edades comprendidas entre los 18 y los 78 años completaron estas dos tareas de CogniFit® (10627 mujeres, 9606 hombres).

Una de las tareas mide la capacidad de los participantes para estimar la duración de un estímulo auditivo, pidiéndoles que interrumpieran un estímulo auditivo para reproducir la duración exacta del estímulo auditivo presentado previamente. La otra tarea medía la capacidad de los participantes para estimar la velocidad de los objetos en movimiento, la distancia recorrida y por recorrer y cómo la interacción conjunta de la velocidad y la distancia afecta al movimiento de un objeto. Se obtuvo el porcentaje global de precisión de cada participante de las variables dependientes medidas durante estas dos tareas. Los porcentajes más altos representan un mejor rendimiento en las tareas. De ahí se calculó una puntuación conjunta que representa la capacidad de estimación de cada usuario.

Mediciones de accidentes de vehículos motorizados

Los datos se obtuvieron de la National Highway Traffic Safety Administration (NHTSA) de los Estados Unidos a través de la Fatality and Injury Reporting System Tool (FIRST). Todos los datos entre 2014 y 2018 correspondientes al número bruto de personas implicadas en tres tipos de accidentes de vehículos motorizados se recogieron del servicio público de consulta y notificación de datos, filtrados por la edad del conductor (se seleccionaron personas de 18 a 78 años de edad).

En primer lugar, se reunieron los datos correspondientes a los conductores implicados en accidentes mortales con muertes humanas del Fatality Analysis Reporting System (FARS) 2004-2017 y del Annual Report File (ARF) 2018.

En segundo lugar, se seleccionaron los datos correspondientes a los conductores implicados en accidentes de vehículos de motor con lesiones se obtuvieron del National Automotive Sampling System General Estimates System de 2004-2015 (NASS-GES) y el Crash Report Sampling System 2016-2017 (CRSS).

Y tercero, los datos correspondientes a los conductores involucrados en los daños a la propiedad los accidentes de vehículos de motor se recogieron de las mismas fuentes.

Supuestos de partida

La edad es un factor crítico tanto para el número de cada tipo de accidente como para su severidad (los conductores mayores tienden a estar involucrados en menos accidentes). Además, la edad es también un moderador significativo de la capacidad de estimación (los resultados del CogniFit® muestran que las puntuaciones son más bajas para las personas de mayor edad).

Con estos dos supuestos en mente, el análisis de la correlación debería mostrar una relación directa significativa entre el número de accidentes y los resultados en las tareas de estimación de CogniFit®, dado que la edad podría estar dirigiendo estas observaciones. Pero lo más importante es que, si las puntuaciones de CogniFit® aportan un beneficio adicional para la predicción de cualquier tipo de accidentes automovilísticos, esto debería ser visible a través de un análisis de la regresión, una vez que el efecto de la edad haya sido cancelado y contabilizado.

Análisis de la correlación

Los datos promediados de CogniFit® y del NHTSA para hombres y las mujeres con edades comprendidas entre los 18 y los 78 años fueron analizadas estadísticamente siguiendo un enfoque correlacional basado en el coeficiente de rango de Spearman para las funciones monótonas y el coeficiente de correlación de Pearson para las relaciones lineales entre las variables.

Los porcentajes medios de precisión tanto para hombres como para mujeres en las dos tareas de CogniFit® se correlacionaron con los datos en bruto de los conductores masculinos y femeninos involucrados en 1) accidentes mortales, 2) accidentes con lesiones, y 3) accidentes con daños materiales.

Los resultados mostraron fuertes correlaciones positivas entre la puntuación de CogniFit® y el número de los tres tipos diferentes de accidentes en función de las edades, con coeficientes de correlación superiores a 0.80 en todos los casos. Los siguientes gráficos representan estas relaciones entre las variables junto con las correspondientes coeficientes de correlación. Cada punto representa el valor en cada edad, y la línea azul corresponde a la línea LOESS ajustada (véase Plot Panel 1).

Además, se siguió un procedimiento similar, al dividir los datos según el género de los conductores (masculino o femenino). Los coeficientes de correlación fueron muy similares para ambos géneros, demostrando la robustez de la relación intrínseca entre la puntuación de CogniFit® y los diferentes tipos de accidente, independientemente del género de los conductores (con todos los coeficientes superiores a 0.75). Los gráficos correspondientes muestran esta relación con cada grupo de género representado en un color diferente (véase Plot Panel 1).

Análisis de la regresión

Se llevó a cabo un análisis de regresión lineal utilizando los datos de los diferentes tipos de accidentes convertidos al porcentaje de accidentes por tipo y sexo del total como medidas dependientes, y la edad de los conductores, su género y su puntuación de CogniFit® como factores de predicción, con la interacción entre los dos últimos factores que también se añaden a los modelos.

Los resultados correspondientes a los accidentes mortales mostraron una bondad de ajuste del modelo muy alta, explicando el 98,3% de la varianza en función de las estimaciones de los parámetros (R=0,966, R2=0,983). Los coeficientes del modelo para los diferentes factores mostraron un poder de predicción significativo de la edad, y el género, demostrando que los conductores de más edad estaban involucrados en menos accidentes mortales que los jóvenes, y que las mujeres tuvieron menos accidentes mortales que los hombres. La puntuación de CogniFit® también mostró un efecto significativo, sugiriendo una relación directa entre las habilidades de estimación de una persona y el número de accidentes mortales. Cabe destacar que esta observación fue se da por una interacción significativa entre la puntuación de CogniFit® y el género. Como se muestra en los gráficos (véase Plot Panel 2), la influencia de las puntuaciones de CogniFit® fue diferente según el género: En los hombres, una puntuación más alta en la capacidad de estimación de CogniFit® se asocia a un mayor riesgo de verse involucrado en accidentes mortales, mientras que en las mujeres, una puntuación más alta en CogniFit® se asocia con un menor riesgo de verse involucrada en un accidente mortal.

Se observaron conclusiones paralelas para el análisis de los datos correspondientes a los accidentes con lesiones. El mismo modelo explicó el 96,2% de la varianza (R=0,981, R2=0,962), y el efecto de la edad fue significativo, como también lo fue el efecto de la puntuación de CogniFit®. El género y la puntuación de CogniFit® mostraron una interacción significativa: Mientras que los hombres siguieron una relación directa entre la puntuación de CogniFit® y el número de accidentes con lesiones, las mujeres mostraron una relación inversa, asociándose una puntuación de CogniFit® más alta con menos accidentes.

Finalmente, se realizó un análisis de los datos correspondientes a los accidentes con daños materiales. El mismo modelo explicó el 95,8% de la varianza (R=0,979, R2=0,958), y los efectos de la edad, el género y la puntuación de CogniFit® fueron significativos. El género y la puntuación de CogniFit® mostraron una interacción significativa, mostrando una vez más una relación inversa entre las puntuaciones de CogniFit® de las mujeres y el número de accidentes con daños materiales.

La siguiente tabla resume la potencia explicativa del modelo estadístico añadiendo las puntuaciones de CogniFit® frente a un modelo más simple que sólo incluye la edad de los conductores y su sexo. Como se ha visto, en todos los casos los modelos resultantes son significativamente mejores cuando se añade CogniFit® al modelo (como lo atestiguan los correspondientes contrastes de modelos estadísticos).