存在主观记忆担忧的年长驾驶者的实际道路驾驶表现

《Journal of Transport & Health》：On-road driving performance in older drivers with subjective memory concerns

　　

## 摘要

**引言** 横断面研究报告了主观记忆顾虑（SMC）与老年驾驶员自报的碰撞事故之间的关联；然而，SMC对驾驶表现的影响仍不明确。本研究旨在探讨不同SMC严重程度老年驾驶员在实际道路驾驶表现特征（错误类型和错误发生的交通情境）方面的差异。

**方法** 本研究采用了一个横断面数据集，数据集来自澳大利亚堪培拉的社区及初级和三级医疗机构招募的277名未患痴呆症的非当前老年驾驶员（年龄：75.7±6.1岁；女性占比40.8%；受教育年限：15.7±3.9年）。一名经过驾驶培训的物理治疗师沿一条20公里路线对驾驶员进行实际道路驾驶测试，评估了错误类型（如观察和车道位置）以及错误的交通情境（如环岛和直线行驶）。使用记忆抱怨问卷（MAC-Q）对SMC进行评分。

**结果** 在错误类型方面，多元回归分析未发现与MAC-Q评分存在线性关联。在交通情境方面，通过分别考虑每个问题的多元协方差分析进行探索性分析发现，与自认为记忆力与高中时期相当或更好的人相比，自认为记忆力较差的人在倒车操作中的错误百分比显著更高，即使经过问题领域内的Bonferroni校正后仍显著；然而，这是一个产生假设的发现（校正后均数差[95%置信区间] = 20.0% [6.6%至33.4%]，P = 0.004）。

**结论** 使用MAC-Q评估的SMC与多个测量指标中的较差驾驶表现之间无统计学显著关联。探索性的MAC-Q项目级分析发现了SMC与倒车操作中更多错误之间的可能关联。未来研究应探讨额外的驾驶表现评估是否能捕捉与SMC相关的驾驶特征。

**实际应用** 这些发现可能有助于指导未来研究SMC与驾驶表现之间关系的研究。

---

## 1. 引言

驾驶对老年人保持独立和生产力、维持社交网络以及完成日常生活活动至关重要（Curl等，2014；Kuspinar等，2020；Pristavec，2018）。停止驾驶与不良健康结果增加相关，包括抑郁和残疾（Chihuri等，2016；Marottoli等，2000；Shimada等，2016）。安全驾驶所需的能力包括视力、听力和认知功能（Boot等，2014），这些能力会随衰老而下降。由于老年驾驶员发生严重交通事故的风险较高（Ayuso等，2020；Santolino等，2022），应尽早识别驾驶能力障碍，并在可能的情况下采取适当干预措施以改善驾驶表现（Anstey等，2018；Ishii等，2021；Shimada等，2019）。

目前已开发出多种测试，包括有用视野子测试2和Multi-D测试，用于识别驾驶障碍（Ball等，2006；Horswill等，2010；Kay等，2009；Staplin等，2013；Unsworth等，2012）。一项在日本进行的近期横断面队列研究提出，评估主观记忆顾虑（SMC）具有识别驾驶障碍的潜力：有SMC的老年驾驶员发生的碰撞事故和险些发生交通事件的比例高于无SMC者（Kurita等，2023，2024）。这些研究中使用五个"是/否"问题进行SMC评估，回答"是"的数量明显与较差的驾驶结果增加相关（Kurita等，2024）。这些发现独立于客观认知功能和其他与安全驾驶相关的功能，包括眼疾、睡眠问题和听力问题，表明SMC可能与驾驶障碍有关（Kurita等，2023，2024）。另一项研究报告称，对四个SMC问题中至少有一个回答"是"的老年驾驶员更容易出现注意其他车辆和行人延迟的情况（Ohgami等，2021）。

关于认知衰退和痴呆的越来越多的研究表明，SMC可能先于客观认知衰退（Cappa等，2024；Pike等，2022），且SMC中更细微的认知变化可能与驾驶困难有关。需要更多证据来确定SMC是否应被纳入识别驾驶障碍的评估工具中，并更好地理解有SMC的老年驾驶员的驾驶特征。然而，老年驾驶员的驾驶表现是否存在因SMC而产生的差异尚不明确。如果SMC与实际道路驾驶表现障碍之间存在关联，快速评估SMC可能成为早期检测驾驶障碍的一种实用方法。因此，本研究旨在比较不同严重程度SMC老年驾驶员的实际道路驾驶表现。

## 2. 材料与方法

### 2.1 参与者与流程

本横断面研究使用了2013至2016年间在澳大利亚堪培拉进行的驾驶老龄化安全与健康（DASH）研究的数据集（Anstey等，2017）。参与者为65岁及以上持有有效驾照的驾驶员，通过报纸广告、社区团体、初级保健提供商以及澳大利亚首都领地健康、残疾和康复服务部门中关注驾驶安全的人员进行社区招募。共有327名老年人参与了本研究。数据通过一般健康和驾驶调查收集，获取人口统计学信息、包括SMC在内的自报健康状况以及驾驶史。在3个月内，参与者使用配备双刹车控制系统的标准城市路线车辆，在一名经过驾驶培训的物理治疗师的陪同下参与实际道路驾驶评估。因未能完成实际道路评估（n=20）、自报痴呆诊断（n=4）、实际道路数据不足（n=7）或SMC或人口统计学问卷中有缺失值（n=19）的参与者被排除在分析之外。最终共有277名参与者纳入研究。他们的简易精神状态检查（MMSE）评分≥25分。研究方案经大学人类研究伦理委员会批准（2012/643），所有参与者在入组前均获得了书面知情同意。

### 2.2 测量

#### 2.2.1 主观记忆顾虑

主观记忆顾虑使用记忆抱怨问卷（MAC-Q）（Crook等，1992）进行评估。MAC-Q是一个包含六个问题的问卷，询问与年龄相关的变化，要求参与者将当前能力与高中或大学时期进行比较。问题包括：（1）记住刚刚向您介绍的人的名字；（2）回忆日常或每周使用的电话号码或邮编；（3）回忆你把物品（如钥匙）放在家中或办公室的哪里；（4）记住你刚读完的报纸或杂志文章中的具体事实；（5）到达杂货店或药店时记住你打算购买的商品；（6）总的来说，与高中时期相比，你如何描述自己的记忆力？每个问题采用5点李克特量表评分："现在好得多"（=1）、"现在好一些"（=2）、"差不多"（=3）、"现在差一些"（=4）和"现在差得多"（=5）。最后一个问题（一般记忆力比较）分配双倍权重，得分范围为7至35分；得分越高表明自报的衰退越严重。

#### 2.2.2 一般健康、驾驶史和神经认知测试

使用简版12项健康调查问卷（SF-12）（Ware等，1996）评估自报的躯体和精神健康状况。使用四点反应量表（没有该状况、完全没有困扰、有一点困扰和非常困扰）评估自报的视力和听力障碍。在本分析中，这两个问题的回答进行了二分处理，将"有一点困扰"和"非常困扰"归类为"受损"。关于驾驶史，参与者被询问驾驶经验年限、每周驾驶里程以及作为驾驶员在过去12个月和5年内涉及的碰撞事故数量。在由受过培训的助理实施的神经认知测试中，使用了四个领域的数据：学习和记忆使用词汇学习测试（CVLT）试验1回忆和延迟回忆测试评估（Delis等，1991）；执行功能使用维多利亚斯特鲁普测试C部分（Strauss等，2006）、连线测试B部分（Bowie和Harvey，2006；Reitan，1958）和掷骰子游戏测试（Brand等，2009）评估；复杂注意力使用维多利亚斯特鲁普D和W部分（Strauss等，2006）评估；视觉空间技能使用本顿视觉保持测试（Benton，1974）评估。

#### 2.2.3 实际道路驾驶评估

关于实际道路驾驶评估的详细描述已另有发表（Anstey等，2017；Anstey和Wood，2011；Eramudugolla等，2021）。简而言之，驾驶表现在一条20公里的开放道路上进行测量，使用配备双刹车控制的自动挡车辆，耗时约50分钟。测试条件与澳大利亚临床和驾照评估类似，但进行了标准化以确保各参与者的条件一致（即相同路线、白天、非高峰时段交通和相对干燥的天气）。参与者在城市地区沿预先确定的路线驾驶，该路线包括有控制和无控制的交叉口、高速公路驾驶、住宅区、商业街、学校区域、停车场、停车/让行交叉口和环岛。驾驶评估按照标准、经验证的方案评分（Anstey和Wood，2011；Anstey等，2005；Mallon和Wood，2004）。评分由一名坐在车辆后排乘客座位上的经过驾驶培训的物理治疗师进行，记录路线上164个位置的驾驶错误类型。错误类型包括观察错误、车道位置错误、盲区检查错误、转向灯使用错误、速度控制（刹车/加速器）错误、间距选择错误和接近错误。164个位置根据驾驶情况进行分类，包括交叉口、交通车道、交通减速设施和停车场/路边。由于某些驾驶情况并非对所有参与者都出现，各结果变量的样本量有所不同；因此，只有在存在相应机会时才能计算错误比例（补充表1）。验证研究表明，该方法与专业驾驶教练的评估呈高度相关（r=0.76；Mallon和Wood，2004）。本方案派生的驾驶安全评分（DSR）量表中经过验证的合格/不合格安全临界值被采用（Anstey等，2009），因为这是驾照决定的典型结果（Salmi等，2014）。

一名驾驶教练坐在前排乘客座位，为80%的路线提供逐步导航指示。剩余20%的路线要求参与者利用可用的路标自行导航至最近的医院。某些实际道路错误测量因机会（如变道和转向灯）和路线变化而有所不同。为确保参与者之间的可比性，每种错误类型（如观察和车道位置）和每种错误交通情境（如环岛和直线行驶）的错误均转换为每次机会的错误比例，如前所述（Eramudugolla等，2021）。在本研究中，为关注SMC的驾驶表现差异，我们将错误类型设定为主要结局，将每种交通情境中的错误设定为次要结局，未使用合格/不合格驾驶安全临界值。

### 2.3 统计分析

尽管MAC-Q评分>24通常被定义为代表与年龄相关的记忆衰退，表明多个项目的评分落入"现在差一些"类别（Crook等，1992），但对于驾驶相关结果尚无确定的阈值。我们将MAC-Q总分不仅作为连续变量处理，还作为四分位数处理，代表不同的SMC水平，以统计和视觉探索不同SMC水平间的线性或非线性关联，同时保持组间样本量平衡。

根据Shapiro-Wilk检验和直方图目视检查，大多数因变量呈偏态分布和地板效应（Shapiro-Wilk检验P<0.01，补充表1）。由于结局为比例型变量，我们首先使用原始量表进行分析以保证临床可解释性，而非进行变换。

参与者的特征通过MAC-Q评分的四分位数组进行比较来描述。分析分三步进行。首先，使用多元线性回归模型检验MAC-Q评分与实际道路驾驶结局（错误类型和交通情境）之间的线性关联。

第二，为了探索基于主观记忆投诉（SMC）严重程度的结果差异，我们在MAC-Q评分的四分位组之间进行了协方差分析（ANCOVA），用于比较总错误比例，以及多变量协方差分析（MANCOVA），用于比较错误类型和错误的交通情境，考虑到一些结果变量形成了共同构念，如交叉路口和交通车道。第三，为了探索每个MAC-Q问题的项目水平结果差异，我们根据每个问题的回答将变量二分化，分为"相同或更好"组和"差"组。同样使用ANCOVA/MANCOVA检查了每个问题两组之间的结果差异。作为敏感性分析，由于ANCOVA/MANCOVA假定正态分布，在对所有结果变量进行对数变换后，进行了MAC-Q评分四分位组和每个MAC-Q问题二分化回答的ANCOVA/MANCOVA分析，并添加了常数0.5以避免零观测值的未定义值（ln[X + 0.5]）。所有分析均调整了年龄、性别和受教育年限作为关键人口特征，以增加结果的普适性。由于神经认知测试与实际驾驶表现和车辆碰撞的关联已被证明较弱（Doi等，2020年；Eramudugolla等，2021年），因此未将其纳入模型。所有统计分析均使用SPSS 25版（IBM，纽约州阿蒙克市，美国）进行。比较参与者特征时，统计显著性水平设定为P < 0.05，并对相同自变量内的实际驾驶测试结果的重复比较采用Bonferroni校正，将0.05除以重复分析的次数：错误类型分析（7项）的显著性水平设定为0.007；错误的交通情境中，交叉路口（4项）设定为0.0125，交通车道（6项）设定为0.008，交通缓和设施（2项）设定为0.025，停车场/路边（4项）设定为0.0125。六个MAC-Q项目之间未进行额外校正。

3. 结果

3.1. 参与者特征

277名参与者的特征（年龄75.7 ± 6.1岁；女性40.8%；受教育年限15.7 ± 3.9）以及MAC-Q评分四分位组之间的比较（Q1：11-22分，n = 73；Q2：23-25分，n = 62；Q3：26-27分，n = 56；Q4：28-35分，n = 86）汇总于表1。各组之间在人口学特征、自报健康状况和认知测试得分方面无显著差异，但骰子游戏测试（P = 0.016）和维多利亚 Stroop 测试D部分（P = 0.047）除外。

表1. 参与者特征。

| | 总体（n = 277） | MAC-Q评分（较高分数代表更多记忆投诉） | P^a | Q1（MAC-Q 11-22分，n = 73） | Q2（23-25分，n = 62） | Q3（26、27分，n = 56） | Q4（28-35分，n = 86） |
|---|---|---|---|---|---|---|---|
| **人口学特征** | | | | | | | |
| 女性 | 40.8 | | 0.639 | 43.8 | 33.9 | 41.1 | 43.0 |
| 年龄 | 75.7（6.1） | | 0.089 | 74.7（5.7） | 75.7（5.4） | 77.4（6.6） | 75.5（6.4） |
| 受教育年限 | 15.7（3.9） | | 0.813 | 16.1（3.8） | 15.6（3.9） | 15.5（4.0） | 15.7（3.9） |
| 驾驶经验年限 | 56.2（7.0） | | 0.367 | 55.3（6.4） | 57.3（6.1） | 56.8（7.1） | 55.8（7.8） |
| 驾驶里程，公里/周 | 184.8（142.0） | | 0.299 | 172.2（107.3） | 216.8（176.1） | 183.8（143.2） | 173.9（139.8） |
| 过去1年事故数 | 14.4 | | 0.726 | 11.3 | 15.0 | 18.5 | 15.3 |
| 过去5年事故数 | 28.2 | | 0.565 | 22.5 | 30.0 | 31.5 | 32.1 |
| **自报健康状况** | | | | | | | |
| SF-12 生理量表 | 41.9（9.3） | | 0.741 | 42.8（9.6） | 41.8（9.1） | 41.9（7.7） | 41.1（10.1） |
| SF-12 心理量表 | 56.0（8.0） | | 0.472 | 57.0（7.2） | 56.5（7.8） | 55.9（8.2） | 55.0（8.7） |
| 自报视力损害 | 14.8 | | 0.992 | 15.3 | 11.3 | 14.9 | 17.9 |
| 自报听力损害 | 27.8 | | 0.092 | 28.8 | 17.7 | 32.1 | 31.8 |
| **认知测试得分**^b | | | | | | | |
| MMSE | 28.9（1.1） | | 0.509 | 29.1（0.9） | 28.8（1.2） | 29.0（1.1） | 28.9（1.2） |
| **学习记忆** | | | | | | | |
| 词汇表CVLT第1次回忆 | 6.1（2.0） | | 0.977 | 6.0（2.1） | 6.1（2.1） | 6.0（2.0） | 6.1（1.9） |
| 词汇表CVLT延迟回忆 | 8.8（3.2） | | 0.379 | 9.4（3.6） | 8.6（3.1） | 8.8（2.9） | 8.5（3.2） |
| **执行功能** | | | | | | | |
| 维多利亚Stroop测试C部分 | 35.5（15.4） | | 0.325 | 36.4（20.2） | 32.4（9.8） | 37.3（18.6） | 35.9（10.9） |
| 连线测试B部分 | 116.0（53.8） | | 0.853 | 111.2（52.0） | 116.3（56.0） | 119.1（51.7） | 117.5（55.75） |
| 骰子游戏测试 | 11.9（5.7） | | 0.016 | 11.9（6.1） | 12.5（5.4） | 9.7（6.1） | 12.9（5.1） |
| **复杂注意力** | | | | | | | |
| 维多利亚Stroop D部分 | 15.3（4.1） | | 0.047 | 14.2（3.1） | 15.8（5.2） | 16.1（4.6） | 15.4（3.4） |
| 维多利亚Stroop W部分 | 19.8（5.5） | | 0.052 | 18.5（4.0） | 20.5（7.5） | 20.9（5.7） | 19.6（4.4） |
| **视觉空间能力** | | | | | | | |
| Benton视觉保持测试 | 9.3（1.2） | | 0.644 | 9.3（1.1） | 9.4（0.9） | 9.1（1.6） | 9.3（1.3） |

数值为均值（标准差）或百分比。MMSE = 简明精神状态检查；CVLT = 加利福尼亚语言学习测试。

^a 组间连续变量和类别变量分别使用单因素方差分析和χ2检验进行比较。

^b 除连线测试B部分外，较高分数表示更好的表现。

3.2. 错误类型

多重回归分析显示，在Bonferroni校正后，MAC-Q评分与错误类型之间无显著关联（补充表2）。MAC-Q评分四分位组之间错误类型比较的MANCOVA结果如图1和补充表3所示，二分化回答之间的结果见补充表4。在教练指导条件（图1A和补充表3）和自主导航条件（图1B和补充表3）下，组间差异均不显著。相反，当考虑每个MAC-Q问题的二分化回答时，观察到轻微差异，但这些关联在Bonferroni校正后不再显著。对于"回忆你把物品放在家中或办公室的哪里"回答"差"的参与者，在驾驶自主导航时，其制动加速度计错误比例略高于回答"相同或更好"的参与者（均值差异：3.6%，95%置信区间：0.6%至6.6%，P = 0.019，Bonferroni校正后不显著，补充表4）；在教练指导驾驶部分，其接近错误比例略低（均值差异：1.1%，95%置信区间：0.0%至2.2%，P = 0.048，Bonferroni校正后不显著，补充表4）。对结果变量进行对数变换后，观察到相似的结果（补充表5和6）。

下载：下载高分辨率图片（339KB）
下载：下载完整尺寸图片

图1. MAC-Q评分四分位组中，ANCOVA和MANCOVA调整年龄、性别和受教育年限后，在（A）教练指导条件和（B）自主导航条件下，估计的平均错误类型与机会比例。在Bonferroni校正后，各项错误在组间均无显著差异。

教练指导条件下的偏η2范围为0.003至0.019，自主导航条件下为0.004至0.056。

组间各差异及95%置信区间汇总于补充表3。

3.3. 错误的交通情境

多重回归分析显示，MAC-Q评分与错误的交通情境之间无显著关联（补充表7）。ANCOVA/MANCOVA比较四分位组错误的交通情境的结果如图2和补充表3所示，各问题二分化回答的结果见补充表8。关于错误的交通情境，四分位组之间倒车的差异具有统计学显著性（Q1-Q3：校正后均值差异[95%置信区间] = -33.9%[-56.9%至-10.9%]，P = 0.001；Q1-Q4：-22.9%[-43.9%至-2.0%]，P = 0.023），但并非线性关联。同样，对于"将你高中时的记忆力与现在进行比较描述你的记忆力"回答"差"的参与者，在Bonferroni校正后，其倒车错误比例显著高于回答"相同或更好"的参与者（20.0%[6.6%至33.4%]，P = 0.004，补充表8）。对结果变量进行对数变换后，获得了相似的结果（补充表9和10）。

下载：下载高分辨率图片（290KB）
下载：下载完整尺寸图片

图2. ANCOVA和MANCOVA调整年龄、性别和受教育年限后，MAC-Q评分四分位组中估计的平均错误交通情境与机会比例。

总错误比例分析使用ANCOVA，其他分析使用MANCOVA。

* 在Bonferroni校正后，"倒车"观察到显著差异（P < 0.001），多重比较显示Q1 < Q2且Q1 < Q4。倒车的偏η2为0.071，其他均小于0.025。

组间各差异及95%置信区间汇总于补充表3。

4. 讨论

本研究使用MAC-Q测试评估了高龄驾驶员基于主观记忆投诉（SMC）的实际驾驶表现差异。实际驾驶评估中的错误类型与MAC-Q总分之间无显著关联。在错误发生的交通情境方面，虽然MAC-Q总分不存在线性关联，但发现了探索性的项目水平关联：那些认为自己的记忆力相比高中时期变差的参与者，其倒车错误比例显著高于认为记忆力相同或更好的参与者。

4.1. MAC-Q评估的SMC与结果的总体关联

尽管MAC-Q评估的SMC与大多数实际驾驶评估结果的关联为阴性，但一项包含12,475名参与者的日本横断面队列研究发现，SMC与自报的险些发生交通事故（如差点撞到行人或其他车辆）相关（Kurita等，2023年）。此外，一项关于日本高龄驾驶员驾驶行为的横断面研究表明，患有SMC的驾驶员更有可能感觉到其他车辆突然出现、未能及时注意或忽视行人和障碍物，以及无法立即应对危险情况（Ohgami等，2021年）。这些发现和本研究中的许多阴性结果提示，SMC有和无之间存在一些差异，而本研究目前的实际驾驶评估未能检测到，这暗示需要进行额外评估。未来研究应比较其他表现测试，包括非道路驾驶测试，如UFOV子测试2和多D任务，用于评估SMC患者的表现。

本研究在人口学特征、自报健康状况和大多数神经认知测试方面，MAC-Q评分四分位组之间也未观察到显著差异；然而，一项使用五个是否问题评估SMC的日本队列研究表明，随着SMC项目数量的增加，参与者的健康状况恶化（Kurita等，2024年）。这些不一致的结果提示，SMC的评估方式可能影响SMC与驾驶表现乃至健康状况的关联。此外，最近一项研究报告称，使用中文简短记忆量表评估的严重SMC老年人大脑血流生物标志物氧合血红蛋白水平低于正常认知和轻中度SMC者（Lee等，2024年）。使用与生物标志物相关的SMC评估，可能有助于进一步了解其与驾驶表现的关联。一项系统综述报告称，伴有担忧和同伴记忆感知的主观记忆投诉与认知衰退风险增加相关；因此，未来研究应考虑纳入此类评估（Wion等，2022年）。

本研究与此前日本队列研究（Kurita等，2023年，2024年）之间的不一致结果可能由样本的教育水平差异解释。日本队列研究的参与者平均受教育年限为12.0 ± 2.4年，代表高中毕业水平，而本研究的参与者平均为15.7 ± 3.9年，接近大学毕业水平。日本队列研究表明，在高龄驾驶员中，受教育年限每增加1年与车辆碰撞增加之间存在弱关联，比值比为1.04，95%置信区间为1.01-1.07（Kurita等，2023年，2024年），因此未来研究应检验教育水平是否是SMC与驾驶表现关联中的混杂因素。

4.2. 探索性项目水平分析

在项目水平分析中（补充表4和8），由于尚无关于这些特定驾驶错误比例之间具有实际意义的组间差异的既定阈值报告，我们只能评估估计差异的大小和精确度以及观测数据兼容的取值范围。本研究评估了倒车时的错误，此时参与者被指示沿直线倒车20米。这涉及一系列错误，包括车道定位、观察（如后视镜使用不当、未向后看）和制动/加速错误，其中最常见关键错误是完成倒车任务时撞击或骑上路缘石。这些错误可能是由于在不同任务之间注意力转换不佳所致。因此，需要更多研究来阐明那些感知自己记忆力比高中时期差的SMC高龄驾驶员是否也会表现出这些错误。

那些认为自己在回忆物品放置位置方面记忆力较差的参与者，其制动/加速度计错误比例略高于相同或更好记忆力者（P = 0.019），但这一趋势在Bonferroni校正后不显著。该项目评估了速度控制以及制动踏板和加速踏板是否适当操作。在一项横断面队列研究中，提出了一个与此类似的问题："你是否比以前更容易忘记把东西放在哪里？"，该问题与车辆碰撞和险些发生交通事故的增加风险相关（Kurita等，2024年）。这些发现表明，SMC与实际驾驶表现之间的关联取决于SMC的评估方式。

本研究采用的MAC-Q让参与者使用五点量表，将自己的记忆各个方面与高中时期进行比较；而上述队列研究采用的SMC问题则让参与者将自己的表现与他人的表现进行比较，采用的是“是/否”形式的问题（Kurita等，2023，2024）。未来的研究应根据SMC的定义和测量方式，探讨SMC与道路驾驶表现之间关联的差异。4.3. 优势与局限性 本研究的一个重要优势在于采用了标准化的开放道路驾驶评估，并对错误类型进行了详细表征，同时纳入了自主导航组件。这使得研究者能够分析驾驶者在哪些方面存在困难，以及哪些方面表现未受影响。此外，这是第一项考察具有SMC的老年驾驶员道路驾驶表现的研究。尽管除倒车错误外未发现显著关联，但现有发现有助于更好地理解具有SMC的老年驾驶员的驾驶能力。本研究也存在若干局限性。首先，研究为横断面设计，样本量可能不足以检测因SMC状态导致的驾驶能力显著差异。纵向随访将使研究者能够评估SMC是否能预测驾驶技能在长期内的下降。其次，由于参与者受教育程度相对较高且MMSE评分≥25，样本未能完全代表典型的老年驾驶员。第三，本研究的道路驾驶评估可能不够复杂或具有挑战性，不足以诱发具有SMC的老年人在驾驶中产生此类错误。该道路测试仅在路线的一小部分中纳入了自主导航，虽然已有研究表明自主导航对诱发不安全老年驾驶员产生更多错误具有足够的敏感性，但对于具有SMC的驾驶者而言，这可能还不够充分。此外，我们未评估参与者在夜间、雨天和不熟悉道路等具有挑战性和复杂条件下是否能够驾驶。未来研究在这些条件下评估具有SMC的老年驾驶员的驾驶表现并了解其驾驶特征将很有价值。第四，本研究纳入的调整变量包括年龄、性别和教育年限，但其他混杂因素可能影响了结果。鉴于样本量较小且主要模型中多为无效发现，为避免过度调整的风险和统计效力丧失，我们未进行进一步的协变量调整。第五，本研究使用了自报的认知和健康评估工具，包括MAC-Q、SF-12和视觉/听力损害，这些评估本身易受个体情绪、人格、文化背景和生活经历差异的影响，无法完全控制。已有报告指出SMC评估会受到情绪和人格特质个体差异的影响（Dux等，2008；Comijs等，2002）。第六，MAC-Q某一项与倒车错误之间的显著关联仅出现在探索性的条目水平分析中，而未出现在使用MAC-Q总分进行的分析中。因此，这一发现可能反映了分类伪影或偶然发现，在独立队列中重复验证之前应谨慎解读。5. 结论 在本研究中，使用MAC-Q评估的SMC与多项驾驶指标的较差表现无显著关联。尽管我们仅能评估估计差异的幅度和精确度而无既定阈值，但探索性的条目水平分析发现感知记忆衰退与倒车错误之间可能存在关联。由于SMC与离线测试等其他驾驶指标之间的关联尚未得到考察，且除MAC-Q外还有其他SMC问卷，因此过早下结论认为SMC与老年人驾驶安全无关。此外，还需要采用更大样本量的纵向设计研究，以阐明SMC在老年驾驶员技能退化和安全性方面的预测作用。作者贡献声明 Satoshi Kurita：撰写-初稿，方法学，形式分析，概念化。Ranmalee Eramudugolla：撰写-审阅与编辑，方法学，数据整理，概念化。Joanne M. Wood：撰写-审阅与编辑，方法学，调查，资金获取，数据整理。Kaarin J. Anstey：撰写-审阅与编辑，监督，项目管理，方法学，调查，资金获取，数据整理，概念化。伦理批准声明 本研究方案已获大学人类研究伦理委员会批准（2012/643），所有参与者在入组前均签署书面知情同意书。稿件准备过程中生成式AI及AI辅助技术的声明 在撰写本工作的过程中，作者使用了ChatGPT以提高可读性和语言表达质量。作者对输出内容进行了审阅和必要编辑，并对已发表文章的全部内容承担全部责任。资金支持声明 本研究由澳大利亚国家健康与医学研究理事会（NHMRC拨款#1045024）和日本学术振兴会（KAKENHI #22K11846）资助。Kaarin Anstey由NHMRC研究高级研究员资助计划（#1102694）资助。Satoshi Kurita | Ranmalee Eramudugolla | Joanne M. Wood | Kaarin J. Anstey 澳大利亚新南威尔士大学科学学部心理学系，悉尼，NSW，2052，澳大利亚