Sobre Cookies en aquesta pàgina web

Aquest lloc utilitza cookies per millorar la seva experiència online. En continuar utilitzant aquest lloc sense canviar les seves preferències de cookies, assumirem que accepta el nostre ús de cookies. Per obtenir més informació o canviar les seves preferències de cookies, visiti nostra política de cookies.

Acceptar
Escull la teva plataforma i compra
Et donem 10 llicències gratuïtes perquè ho provis durant un mes.
Per a què és el compte?
Benvingut a CogniFit! Benvingut a CogniFit per a investigadors!

Per favor, confirma que l'ús d'entrenaments i/o avaluacions és per a tu mateix. Crearàs un compte personal. Aquest tipus de compte està dissenyat per ajudar-te a avaluar i entrenar les teves habilitats cognitives

Per favor, confirma que l'ús d'entrenaments i avaluacions cognitives és per als teus pacients. Crearàs un compte de gestió de pacients. Aquest compte està dissenyat per ajudar als professionals de la salut (metges, psicòlegs...) amb el diagnòstic i la intervenció de desordres cognitius.

Confirma que vols oferir entrenaments i/o avaluacions cognitives als teus familiars o amics. Crearàs un compte de família. Aquest compte està dissenyat per donar accés a les avaluacions i entrenaments de CogniFit als teus familiars.

Confirma que desitges accedir a entrenaments i avaluacions cognitives per als participants d'un estudi de recerca. Crearàs un compte de recerca. Aquest compte està especialment dissenyat per ajudar als investigadors amb els seus estudis a les àrees cognitives.

Confirma que desitges accedir a entrenaments i avaluacions cognitives per als teus alumnes. Crearàs un compte de gestió d'alumnes. Aquest compte està dissenyat per ajudar al diagnòstic i intervenció de desordres cognitius de nens i joves estudiants.

loading

Per al teu propi ús (a partir de 16 anys). Els nens menors de 16 anys poden usar la plataforma de CogniFit per a Famílies.

En registrar i utilitzar CogniFit, acceptes que has llegit, entès, i que estàs d'acord amb les Condicions d'Ús i la Política de Privacitat de CogniFit.

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

CogniFit ajuda a la Marina dels EUA a augmentar la seguretat dels seus pilots

Publicació científica sobre l'avaluació cognitiva en la fatiga dels pilots

Aquesta pàgina és només informativa. No venem cap producte que tracti malalties. Els productes de CogniFit per a tractar malalties es troben actualment en procés de validació. Si està interessat visiti Plataforma de recerca CogniFit

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

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

  • 1. Naval Medical Research Unit.

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

Cita aquest article (formato 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.

Conclusió de l'estudi

CogniFit pot mesurar variables molt rellevants per predir el rendiment individual dels usuaris davant la fatiga. Això pot ajudar a reduir el risc d'accident en els pilots militars i els civils, ja que el cansament és una variable recurrent en diversos tipus d'accidents.. Incloent algunes variables, com el Temps de reacció (p=0.009), la Memòria a curt termini (p=0.023), l'Atenció dividida (p=0.026) o la Flexibilitat cognitiva (p=0.002) en els models predictors, el percentatge de variància explicada pansa del 13,8% al 35,7%.

Resum de l'estudi

La fatiga és un dels principals factors que posa en risc la seguretat durant el transport militar. S'han fet models que prediuen la resposta a la fatiga, però encara no són prou precisos, ja que no contemplen les diferències individuals quant a la sensibilitat a la fatiga. En canvi, es proposa que la capacitat predictiva d'aquests models podrien millorar si es realitzen mesures cognitives amb eines com CogniFit i ullmètriques per comptar amb les diferències individuals.

Es van mesurar les diferents variables cognitives i oculométricas amb els participants descansats i cada 3 hores durant un procés de 25 hores de vigília (de manera que es va obtenir la puntuació del grup i la individual). Es va poder comparar, a més, el rendiment real amb el rendiment esperat. Els resultats van indicar que, en afegir aquestes mesures als models preexistents, van passar d'explicar el 13,8% al 35,7% de la variància. Això significa que, utilitzant CogniFit i altres mesures per detectar les diferències individuals, es pot millorar enormement la predicció del rendiment durant la fatiga i, per tant, millorar la seguretat.

Contexte

La fatiga deguda a la falta de somni és un dels principals riscos als quals han de fer front tant en el transport militar, com en el transport civil. En principi, la solució per a aquests problemes seria el dormir adequadament i/o recórrer a fàrmacs. No obstant això, en ocasions això no és suficient. Gran part d'això es pot prevenir a través de la predicció del rendiment d'una persona o mesurant directament la capacitat de l'individu per actuar al moment adequat. Aquest model de predicció, en canvi, té una efectivitat moderada per si solament.

La relativa falta d'èxit d'aquest model pot ser a causa que dóna per fet que tots els individus tenen uns ritmes circadiaris i una resposta davant la fatiga semblants; mentre que els estudis apunten al fet que les diferències individuals en aquests àmbits són significatives. Algun dels aspectes que interfereixen en aquesta resposta davant la fatiga és el funcionament cognitiu de l'individu. >.

Per tant, caldria esperar un augment de l'efectivitat del model predictiu si incloem mesures que tinguin en compte les diferències individuals, com les mesures cognitives i les oculométricas.

Metodologia

Participants

Els participants van consistir en 15 voluntaris del personal militar en servei actiu (13 homes i 2 dones, amb edats mitjana de 24,7 anys i 21,5 anys respectivament) del programa Naval Aviation Preflight Indoctrination (API) a bord de la Naval Air Station Pensacola. Per participar en l'estudi, es va controlar el consum d'alcohol, cafeïna i tabac, a més havien d'estar exempts de problemes neurològics, psiquiàtrics o relacionats amb el somni.

Procediment

Es va aplicar un disseny de mesures repetides per conèixer els efectes de la privació del somni en el rendiment cognitiu i oculométrico, tant a escala de grup, com a escala individual. En primer lloc, es va registrar la línia base i després es van prendre les dades durant la deprivació del somni.

Anàlisis estadístiques

L'anàlisi es va dur a terme en tres passos:

  • Pas 1: Es va realitzar una sèrie de ANOVAs per a cada criteri i variable predictora mesura en cada assaig. D'aquesta forma es va determinar que variables van mostrar canvis a través del temps.
  • Pas 2: Es va realitzar una sèrie de models lineals jeràrquics bivariats amb efectes fixos i aleatoris amb l'objectiu de predir quan la fatiga anava a produir un menor rendiment i, al seu torn, descobrir diferències no detectades en l'anàlisi pel que fa a grup. Es va detectar un efecte grupal (p<0,05) i diferències individuals dins d'aquest efecte global (0<0,05). Després d'això, es va realitzar un model lineal jeràrquic multi variat per saber que variables predictores compartien variància explicativa a escala estadística i relació a escala conceptual.
  • Pas 3: Es va realitzar una sèrie de models lineals generals a partir de les variables predictores significatives del pas anterior. Amb això, es buscava conèixer la capacitat predictiva del model en tenir en compte factors cognitius i oculométricos.

Resultats i conclusions

En el Pas 1 de l'anàlisi de dades, es van obtenir els efectes de grup. Es va poder observar que va haver-hi efectes significatius en el temps de reacció (p=0.009), en la memòria a curt termini (p=0.023), en l'atenció dividida (p=0.026) i en la flexibilitat cognitiva (p=0.002). Amb la fatiga, es produïa una reducció del rendiment d'aquestes capacitats cognitives, per la qual cosa es van tenir en compte com a variables predictores en el següent pas. En el Pas 2 de l'anàlisi, es van obtenir les diferències individuals a través de les relacions significatives entre diferents variables amb efectes fixos o aleatoris. En el pas 3 de l'anàlisi de dades, es va observar que quan només s'empraven les mesures clàssiques de predicció, les prediccions només podien explicar un 13,8% de la variància. En canvi, afegint les variables cognitives significatives, les prediccions podien explicar un 35,7% de la variància.

Aquests resultats indiquen que afegir algunes variables sensibles al cansament als models predictius habituals, com les quals mesura CogniFit, pot ajudar-nos a predir de manera més precisa quan el rendiment va a veure's afectat per la fatiga. Conèixer aquesta informació pot ser de molta utilitat per prevenir accidents i prendre mesures de precaució tant en àmbits aeris militars com a civils.

Escriu la teva adreça de correu electrònic