Nome : Predicir as diferenzas individuais na resposta á perda do sono: aplicación das técnicas actuais .

Predicir as diferenzas individuais na resposta á perda do sono: aplicación das técnicas actuais
Publicación científica sobre avaliación cognitiva da fatiga do piloto
Xestiona convenientemente os pacientes de investigación desde a plataforma do investigador
Avalía e adestra ata 23 habilidades cognitivas para os participantes do teu estudo
Comproba e compara o desenvolvemento cognitivo dos participantes cos datos do teu estudo
Autores : Joseph F. Chandler 1, Richard D. Arnold 1, Jeffrey B. Phillips 1, Ashley E. Turnmire1.
- 1. Unidade de Investigación Médica Naval.
Revista : Aviation, Space, and Environmental Medicine (2013), vol. 84 (9): 927-937.
Referencias a este artigo (estilo APA):
- Chandler, JF, Arnold, RD, Phillips, JB, Turnmire, AE (2013). Predicir as diferenzas individuais na resposta á perda do sono: aplicación das técnicas actuais. Aviación, Espazo e Medicina Ambiental, vol.84, pp.927-937.
Conclusión do estudo
CogniFit pode medir variables moi relevantes para predecir o rendemento de fatiga do usuario individual. Isto pode axudar a reducir o risco de accidentes para pilotos militares e civís, xa que o cansazo é unha variable recorrente en varios tipos de accidentes. . Incluíndo algunhas variables, como o tempo de resposta (p=0,009), a memoria a curto prazo (p=0,023), a atención dividida (p=0,026) ou o desprazamento (p=0,002) en modelos preditivos, a porcentaxe de varianza explicada pasa do 13,8% ao 35,7%.
Resumo do estudo
A fatiga é un dos principais factores que pon en risco a seguridade durante o transporte militar . Realizáronse modelos que predicen a resposta á fatiga, pero aínda non son o suficientemente precisos, xa que non teñen en conta as diferenzas individuais na sensibilidade á fatiga . En cambio, proponse que a capacidade preditiva destes modelos podería mellorarse se as medicións cognitivas se realizasen mediante ferramentas como CogniFit e oculométricas para contabilizar as diferenzas individuais.
As diferentes variables cognitivas e oculométricas midéronse en participantes descansados e cada 3 horas durante un proceso de vixilia de 25 horas (polo que se obtiveron as puntuacións grupais e individuais). Tamén foi posible comparar o rendemento real co rendemento esperado. Os resultados indicaron que ao engadir estas medidas aos modelos preexistentes, pasaron de explicar o 13,8% ao 35,7% da varianza . Isto significa que, usando CogniFit e outras medidas para detectar diferenzas individuais, pódese mellorar moito a previsión do rendemento durante a fatiga e mellorar así a seguridade .
Contexto
A fatiga por falta de sono é un dos principais riscos aos que se enfrontan tanto no transporte militar como no civil. En principio, a solución a estes problemas sería durmir correctamente e/ou recorrer ás drogas. Non obstante, ás veces isto non é suficiente. Moito disto pódese previr predicindo o rendemento dunha persoa ou medindo directamente a capacidade dun individuo para actuar no momento adecuado. Este modelo de predición, por outra banda, ten unha eficacia moderada por si só .
A relativa falta de éxito deste modelo pode deberse a que asume que todos os individuos teñen un ritmo circadiano e unha resposta á fatiga similares, mentres que os estudos suxiren que as diferenzas individuais nestes escenarios son significativas. Algúns dos aspectos que interfiren con esta resposta á fatiga son o funcionamento cognitivo dunha persoa .
Polo tanto, cabería esperar un aumento da eficacia do modelo preditivo se incluímos medidas que teñan en conta as diferenzas individuais, como as medidas cognitivas e oculométricas.
Metodoloxía
Participantes
Os participantes estaban formados por 15 voluntarios do programa de adoutrinamento previo ao voo da aviación naval (API) a bordo da Estación Aérea Naval de Pensacola, ao servizo do persoal militar (13 homes e 2 mulleres, cunha idade media de 24,7 e 21,5 anos respectivamente). Para participar no estudo, controlouse o consumo de alcohol, cafeína e tabaco, e tiñan que estar libres de problemas neurolóxicos, psiquiátricos ou relacionados co sono.
Procedemento
Aplicouse un deseño de medidas repetidas para coñecer os efectos da privación do sono no rendemento cognitivo e oculométrico, tanto a nivel grupal como individual. Primeiro, rexistrouse a liña de base e despois tomáronse os datos durante a privación do sono.
Análise estatística
A análise realizouse en tres pasos :
- Paso 1 : realizáronse unha serie de ANOVA para cada criterio e variable predictora medida en cada ensaio. Isto determinou que variables mostraban cambios ao longo do tempo.
- Paso 2 : Realizáronse unha serie de modelos xerárquicos lineais bivariados con efectos fixos e aleatorios co obxectivo de prever cando a fatiga produciría un menor rendemento e, á súa vez, descubrir diferenzas non detectadas no nivel de análise do grupo. Detectáronse un efecto grupal (p<0,05) e diferenzas individuais dentro dese efecto global (0<0,05). A continuación, levouse a cabo un modelo lineal multivariado multixerárquico para coñecer que variables predictoras compartían varianza explicativa a nivel estatístico e relación a nivel conceptual.
- Paso 3 : realizáronse unha serie de modelos lineais xerais a partir das variables predictoras significativas do paso anterior. Así, o obxectivo era coñecer a capacidade preditiva do modelo tendo en conta factores cognitivos e oculométricos.
Resultados e conclusións
No paso 1 da análise de datos obtivéronse os efectos do grupo . Observouse que houbo efectos significativos sobre o tempo de resposta (p=0,009), a memoria a curto prazo (p=0,023), a atención dividida (p=0,026) e os desprazamentos (p=0,002). Co cansazo produciuse unha redución no rendemento destas capacidades cognitivas, polo que foron tidas en conta como variables preditivas no seguinte paso. No paso 2 da análise, as diferenzas individuais obtivéronse mediante relacións significativas entre diferentes variables con efectos fixos ou aleatorios. No paso 3 da análise de datos, observouse que cando só se utilizaron medidas de predición clásicas, as predicións só poderían representar o 13,8% da varianza. Pola contra, engadindo variables cognitivas significativas, as predicións poderían representar o 35,7% da varianza .
Estes resultados indican que engadir algunhas variables sensibles á fatiga aos modelos preditivos habituais, como as medidas de CogniFit, pode axudarnos a predecir con máis precisión cando o rendemento se verá afectado pola fatiga . Coñecer esta información pode ser moi útil para previr accidentes e tomar medidas de precaución tanto en avións militares como civís.