Über Cookies auf dieser Webseite

Diese Webseite verwendet Cookies, um die Online-Erfahrung zu verbessern. Wenn Sie diese Webseite weiterhin verwenden, ohne die Cookie-Präferenzen zu verändern, gehen wir davon aus, dass Sie unsere Cookie-Richtlinien akzeptieren. Wenn Sie weitere Informationen wünschen oder Ihre Cookie-Präferenzen verändern möchten, sehen Sie sich bitte unsere Cookie-Richtlinie an.

Annehmen
Wähle die entsprechende Plattform und kaufe
Probiere einen kostenlosen Monat mit 10 Lizenzen aus.
Wofür ist das Konto?
Jetzt registrieren

Bestätige, dass du das Training und/oder die Bewertungen für dich persönlich verwendest. Du wirst ein persönliches Konto erstellen. Dieses Konto hilft dir bei der Bewertung und beim Training deiner kognitiven Fähigkeiten.

Bestätige, dass du das Training und die kognitiven Bewertungen für deine Patienten möchtest.Du wirst ein Konto einrichten, um deine Patienten zu verwalten. Dieses Konto hilft Experten im Gesundheitsbereich (Ärzte, Psychologen...) bei der Diagnose und Intervention im Falle von kognitiven Störungen.

Bestätige, dass du das Training und/oder die kognitiven Bewertungen für deine Familie oder Freunde möchtest. Du wirst ein Familienkonto einrichten. Dieses Konto ermöglicht es dir, deiner Familie Zugang zu den CogniFit-Bewertungen und Trainingseinheiten zu geben.

Bestätige, dass du das Training und die kognitiven Bewertungen für die Teilnehmer an einer Forschungsstudie möchtest. Du erstellst ein Forschungskonto. Das ist ein spezielles Konto, das Forschern bei ihren Studien in kognitiven Bereichen hilft.

Bestätige, dass du das Training und die kognitiven Bewertungen für deine Schüler möchtest. Du wirst ein Konto einrichten, mit dem du deine Schüler verwalten kannst. Dieses Konto hilft dir, kognitive Störungen bei Kindern und jungen Studenten zu diagnostizieren und zu behandeln.

Für die eigene Nutzung (ab 16 Jahren). Kinder unter 16 Jahren können die CogniFit-Plattform für Familien verwenden.

loading

Durch Nutzung der Software bzw. durch deine Registrierung, erklärst du, die Allgemeinen Geschäftsbedingungen, Impressum und Datenschutzrichtlinien von CogniFit gelesen sowie verstanden zu haben und anzuerkennen.

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

CogniFit hilft der US-amerikanischen Marine, die Sicherheit ihrer Piloten zu verbessern

Wissenschaftliche Publikation über die kognitive Bewertung der Erschöpfung bei Piloten

  • Verwalte die Patienten, die an der Studie teilnehmen, bequem von der Forscherplattform aus.

  • Bewerte und trainiere bis zu 23 kognitive Fähigkeiten der Studienteilnehmer.

  • Überprüfe und vergleiche die kognitive Entwicklung der Teilnehmer und analysiere die Daten für deine Studie.

Jetzt beginnen
loading

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

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

  • 1. Naval Medical Research Unit.

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

Diesen Artikel zitieren (APA Format):

  • 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.

Schlussfolgerungen der Studie

CogniFit kann relevante Variablen messen, um die individuelle Leistung der Anwender bei Erschöpfung zu bestimmen. Damit kann das Unfallrisiko bei Militär- und Zivilpiloten reduziert werden, denn Müdigkeit ist eine sich wiederholende Variable bei verschiedensten Unfallarten. Wenn verschiedene Variablen, wie Reaktionszeit (p=0.009), Kurzzeitgedächtnis (p=0.023), geteilte Aufmerksamkeit (p=0.026) oder kognitive Flexibilität (p=0.002) in die Vorhersagemodelle einbezogen werden, kann die erklärte Varianz von 13,8% auf 35,7% erhöht werden.

Zusammenfassung der Studie

Müdigkeit zählt zu den wichtigsten Faktoren, welche die Sicherheit bei einem Militärtransport in Gefahr bringen. Es wurden Modelle erstellt, um die Antwort bei Müdigkeit vorherzusagen, doch diese sind noch nicht präzise genug, denn dabei werden individuelle Differenzen der Sensibilität für Müdigkeit nicht berücksichtigt. Es wird jedoch vorgeschlagen, die Vorhersagefähigkeit dieser Modelle zu verbessern, indem kognitive Maßnahmen mit Werkzeugen wie CogniFit und okulometrische Methoden verwendet werden, um individuelle Differenzen zu berücksichtigen.

Es wurden die unterschiedlichen kognitiven und okulometrischen Variablen bei ausgeruhten Teilnehmern gemessen. Darüber hinaus wurden diese Variablen in einer Wachzeit von insgesamt 25 Stunden alle 3 Stunden gemessen (um so eine Bewertung der Gruppe und des Individuums zu erstellen). Außerdem konnte die reale Leistung mit der erwarteten Leistung verglichen werden. Die Resultate wiesen darauf hin, dass durch die zusätzliche Verwendung dieser Maßnahmen in den bereits existierenden Modellen, die Varianz zwischen 13,8% und 35,7% erklärt werden konnte. Dies bedeutet, dass durch die Verwendung von CogniFit und anderen Maßnahmen zur Erkennung individueller Differenzen die Leistungsvorhersage bei Müdigkeit und so auch die Sicherheit deutlich verbessert werden kann.

Kontext

Müdigkeit durch Schlafmangel zählt zu den wichtigsten Risikofaktoren bei Militär- und Ziviltransporten. Dei einfachste Lösung wäre natürlich, eine ausreichende Schlafqualität und -dauer zu erreichen und/oder auf Arzneimittel zurückzugreifen. Doch nicht immer ist dies ausreichend. Oft kann die Leistungsvorhersage einer Person zur Vorsorge dienen, oder man kann die Fähigkeit der Person direkt messen, um im richtigen Augenblick zu handeln. Dieses Vorhersagemodell hat bereits als solches eine moderate Wirksamkeit.

Der relativ geringe Erfolg dieses Modells kann auf die Tatsache zurückzuführen sein, dass jede Person einen unterschiedlichen zirkadianen Rhythmus hat und auf Müdigkeit anders reagiert; aus Studien geht jedoch hervor, dass individuelle Differenzen in diesem Bereich signifikant sind. Die kognitive Leistung des Individuums zählt zu jenen Aspekten, welche die Antwort bei Müdigkeit beeinflussen.

Deshalb wäre eine bessere Effizienz der Vorhersagemodelle zu erwarten, wenn darin Aspekte eingeschlossen würden, die individuelle Differenzen berücksichtigen, wie zum Beispiel kognitive und okulometrische Maßnahmen.

Methodologie

Teilnehmer

Die Teilnehmer waren 15 Freiwillige im aktiven Militärdienst (13 Männer und 2 Frauen im Durchschnittsalter von 24,7 beziehungsweise 21,5 Jahren) aus dem Naval Aviation Preflight Indoctrination (API) Programm an Bord der Naval Air Station Pensacola. Für die Teilnahme an der Studie wurde der Konsum von Alkohol, Koffein und Tabak kontrolliert. Außerdem durften die Teilnehmer auch keine neurologischen, psychiatrischen oder Schlafstörungen aufweisen.

Vorgehensweise

Es wurde ein Design mit wiederholten Maßnahmen verwendet, um die Auswirkungen von Schlafentzug auf die kognitive und okulometrische Leistung zu untersuchen, wobei sowohl die Leistung der Gruppe als auch jedes Individuums bewertet wurde. Als Erstes wurde die Ausgangsbasis registriert, danach wurden Daten während des Schlafentzuges erfasst.

Statistische Analyse

Die Analyse erfolgte in drei Schritten:

  • Schritt 1: Es wurde eine Reihe von ANOVAs für jedes Kriterium und jede Vorhersagevariable, die bei den Tests gemessen wurden, durchgeführt. Auf diese Art wurde bestimmt, welche Variablen sich im Laufe der Zeit veränderten.
  • Schritt 2: Es wurde eine Reihe von linealen hierarischen bivariaten Modellen mit festen und zufälligen Effekten erstellt, um vorherzusagen, wann Müdigkeit eine geringere Leistung zur Folge hat und gleichzeitig Differenzen zu entdecken, die auf Gruppenebene nicht festgestellt werden konnten. Es konnten ein Gruppeneffekt (p<0,05) und individuelle Differenzen innerhalb dieses globalen Effektes (0<0,05) festgestellt werden. Danach wurde ein lineales hierarchisches multivariates Modell erstellt, um zu ermitteln, welche Vorhersagevariablen auf statistischer Ebene erklärende Varianzen und Beziehungen auf der konzeptionellen Ebene teilten..
  • Schritt 3: Ausgehend von den signifikanten Vorhersagevariablen des vorhergehenden Schrittes wurde eine Reihe von linealen allgemeinen Modellen erstellt. Damit sollte die Vorhersagefähigkeit des Modells ermittelt werden, wenn kognitive und okulometrische Faktoren berücksichtigt werden.

Ergebnisse und Schlussfolgerungen

Aus Schritt 1 der Datenanalyse resultierten die Gruppeneffekte. Man kann beobachten, dass bei der Reaktionszeit (p=0.009), beim Kurzzeitgedächtnis (p=0.023), bei der geteilten Aufmerksamkeit (p=0.026) und bei der kognitiven Flexibilität (p=0.002) signifikative Effekte erzielt wurden. Durch Müdigkeit kommt es zu einer reduzierten Leistung in diesen kognitiven Fähigkeiten, deshalb wurden diese als Vorhersagevariable im nächsten Schritt verwendet. In Schritt 2 der Analyse wurden die individuellen Differenzen ermittelt. Dies erfolgte anhand der signifikativen Beziehungen zwischen unterschiedlichen Variablen mit festen und zufälligen Effekten. Im Schritt 3 der Datenanalyse wurde beobachtet, dass bei der alleinigen Anwendung klassischer Vorhersagemethoden die Vorhersagen nur 13,8% der Varianz erklären konnten. Durch das Hinzufügen signifikativer kognitiver Variablen konnten die Vorhersagen jedoch 35,7% der Varianz erklären.

Diese Resultate weisen darauf hin, dass durch die Berücksichtigung bestimmter Variablen, die durch Müdigkeit variieren und beispielsweise von CogniFit gemessen werden, gewöhnliche Vorhersagemodelle genauer berechnen können, wann die Leistung durch Müdigkeit beeinträchtigt wird. Diese Information zu kennen, kann sehr nützlich sein, um Unfällen vorzubeugen und entsprechende Vorsichtsmaßnahmen bei militärischen und zivilen Flügen zu treffen.

Bitte E-Mail-Adresse eingeben