Sobre os cookies neste site

Este site usa cookies para melhorar sua experiência on-line. Ao continuar a usar este site sem alterar suas preferências de cookies, consideramos que você está concordando com o uso de cookies. Para mais informações ou para alterar suas preferências de cookies, visite nossa política política de cookies.

Aceitar
Escolha sua plataforma e compre
Experimente grátis por um mês com 10 licenças.
Para que vai ser usada a conta?
Cadastre-se

Confirme que o uso das avaliações e treinamentos é para você. Você criará uma conta pessoal. Este tipo de conta foi especialmente criado para ajudar você a avaliar e treinar suas habilidades cognitivas

Confirme se as avaliações e os programas de treinamento cognitivos serão usados por seus pacientes. Você vai criar uma conta de gerenciamento de pacientes, a fim de dar a eles acesso às avaliações e programas de treinamento de CogniFit

Confirme que você deseja oferecer treinamento e/ou avaliações cognitivas para seus familiares ou amigos. Você criará uma conta familiar. Esta conta foi criada para fornecer aos membros de sua família acesso a avaliações e treinamentos de CogniFit.

Por favor, confirme que o uso dos treinamentos e avaliações cognitivos é para os participantes do estudo de pesquisa. Você criará uma conta de pesquisa. Esta conta será especialmente desenvolvida para ajudar os pesquisadores em seus estudos nas áreas cognitivas.

Confirme se as avaliações e os programas de treinamento cognitivos serão usados por seus alunos.Você vai criar uma conta de gerenciamento de alunos, a fim de dar a eles acesso às avaliações e programas de treinamento de CogniFit.

Para usuários a partir de 16 anos. Crianças menores de 16 anos podem usar CogniFit com um dos progenitores em uma das plataformas para famílias.

loading

Ao se registrar e usar CogniFit, você aceita que leu, entendeu e que está de acordo com as de Uso e a de Privacidade de CogniFit.

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

CogniFit ajuda a aumentar a segurança dos pilotos da marinha dos EUA

Publicação científica sobre avaliação cognitiva da fadiga dos pilotos

  • Gerenciar convenientemente pacientes de pesquisa da plataforma do pesquisador

  • Avaliar e treinar até 23 habilidades cognitivas para os participantes do estudo

  • Verificar e comparar o desenvolvimento cognitivo dos participantes para os dados do seu estudo

Começar Agora
loading

Nome: Predicting Individual Differences in Response to Sleep Loss: Application of Current Techniques.

Autores: Joseph F. Chandler1, Richard D. Arnold1, Jeffrey B. Phillips1, Ashley E. Turnmire1.

  • 1. Naval Medical Research Unit.

Publicação: Aviation, Space and Environmental Medicine (2013), vol. 84 (9): 927-937.

Referências a este artigo (estilo APA)::

  • Chandler, J. F., Arnold, R. D., Phillips, J. B., Turnmire, A. E. (2013). Predicting Individual Differences in Response to Sleep Loss: Application of Current Techniques. Aviat Space Environ Med., vol.84, pp.927-937.

Conclusão do estudo

CogniFit pode medir variáveis ​​altamente relevantes para prever o desempenho individual de fadiga do usuário. Isso pode ajudar a reduzir o risco de acidentes para pilotos militares e civis, já que o cansaço é uma variável recorrente em vários tipos de acidentes. Ao incluir algumas variáveis, como tempo de resposta (p=0,009), memória de curto prazo (p=0,023), atenção dividida (p=0,026) ou flexibilidade cognitiva (p=0,002) nos modelos preditivos, a porcentagem de variância explicada varia de 13,8% a 35,7%.

Resumo do estudo

A fadiga é um dos principais fatores que coloca a segurança em risco durante o transporte militar. Modelos que preveem a resposta à fadiga foram desenvolvidos, mas ainda não são precisos o bastante, já que não consideram as diferenças individuais na sensibilidade à fadiga. Em vez disso, houve propostas para que a capacidade preditiva desses modelos possa ser melhorada se as medições cognitivas fossem realizadas usando ferramentas como CogniFit e variáveis oculométricas para explicar as diferenças individuais.

As diferentes variáveis ​​cognitivas e oculométricas foram medidas em participantes descansados ​​e a cada 3 horas durante um processo de vigília de 25 horas (assim, foram obtidas pontuações individuais e grupais). Também foi possível comparar o desempenho real com o desempenho esperado. Os resultados indicaram que, ao adicionar essas medidas aos modelos pré-existentes, eles passaram de explicar de 13,8% a 35,7% da variância. Isso significa que, usando CogniFit e outras medidas para detectar diferenças individuais, é possível melhorar muito a previsão de desempenho durante a fadiga e, portanto, melhorar a segurança.

Contexto

A fadiga por falta de sono é um dos principais riscos enfrentados no transporte militar e civil. Em princípio, a solução para esses problemas seria dormir bem e/ou recorrer a medicamentos. Contudo, às vezes isso não é suficiente. Muitos desses aspectos podem ser evitados prevendo o desempenho de uma pessoa ou medindo diretamente a capacidade de um indivíduo para agir no momento certo. Este modelo de previsão, por outro lado, tem uma eficácia moderada por si só.

A relativa falta de sucesso desse modelo pode ser porque ele pressupõe que todos os indivíduos têm um ritmo circadiano semelhante e respondem à fadiga, enquanto os estudos sugerem que as diferenças individuais nesses contextos são significativas. Alguns dos aspectos que interferem nessa resposta à fadiga são o funcionamento cognitivo de uma pessoa.

Portanto, um aumento na eficácia do modelo preditivo poderia ser esperado incluindo medidas que considerem diferenças individuais, como medidas cognitivas e oculométricas.

Metodologia

Participantes

Participaram 15 voluntários do programa de doutrinação de pré-voo de aviação naval (API), na Estação Aeronaval de Pensacola, uma base da marinha dos EUA (13 homens e 2 mulheres, com uma idade média de 24,7 e 21,5 anos) respectivamente). Para participar do estudo, o uso de álcool, cafeína e tabaco foi controlado, e os participantes não podiam ter problemas neurológicos, psiquiátricos ou relacionados ao sono.

Prodecimento

Um projeto de medidas repetidas foi aplicado para conhecer os efeitos da privação do sono no desempenho cognitivo e oculométrico, tanto no nível grupal como individual. Primeiro, a linha de base foi registrada e, em seguida, os dados foram coletados durante a privação do sono.

Análise estatística

A análise foi realizada em três etapas:

  • Etapa 1: Uma série de análises de variância (ANOVA) foi realizada para cada critério e variável preditora medida em cada processo. Isso determinou quais variáveis ​​apresentaram mudanças ao longo do tempo.
  • Etapa 2: Uma série de modelos hierárquicos lineares bivariados com efeitos fixos e aleatórios foi desenvolvida com o objetivo de prever quando a fadiga produziria um rendimento menor e, por sua vez, descobrir diferenças não detectadas no nível de análise do grupo. Um efeito de grupo (p<0,05) e diferenças individuais dentro desse efeito global (0<0,05) foram detectados. Em seguida, foi realizado um modelo linear multi-hierárquico multivariado para conhecer quais variáveis ​​preditoras compartilhavam a variância explanatória no nível estatístico e a relação no nível conceitual.
  • Etapa 3: Uma série de modelos lineares gerais foi desenvolvida a partir das variáveis ​​preditoras significativas da etapa anterior. Assim, o objetivo foi conhecer a capacidade preditiva do modelo considerando fatores cognitivos e oculométricos .

Resultados e conclusões

Na primeira fase da análise dos dados, foram obtidos os resultados do grupo. Houve resultados significativos no tempo de resposta (p=0,009), na memória de curto prazo (p=0,023), na atenção dividida (p=0,026) e na flexibilidade cognitiva (p=0,002). Com a fadiga, houve uma redução no desempenho dessas habilidades cognitivas, de modo que foram consideradas como variáveis ​​preditivas na próxima etapa. Na segunda fase da análise, foram obtidos os resultados individuais através de relações significativas entre diferentes variáveis ​​com efeitos fixos ou aleatórios. Na terceira etapa da análise de dados, observou-se que, quando foram utilizadas apenas medidas clássicas de previsão, as previsões só representavam 13,8% da variância. Em contraste, adicionando variáveis ​​cognitivas significativas, as previsões poderiam representar 35,7% da variância.

Esses resultados indicam que adicionar algumas variáveis ​​sensíveis à fadiga aos modelos preditivos usuais, como as medidas de CogniFit, pode nos ajudar a prever com mais precisão quando o desempenho será afetado pela fadiga. Conhecer esta informação pode ser muito útil para prevenir acidentes e tomar medidas de precaução em aviões militares e civis.

Por favor, escreva o seu endereço de e-mail