Elixe a túa plataforma e compra
Proba se un mes gratis con 10 licenzas.
Para que serve a conta?
Benvido a CogniFit! Benvido a CogniFit Research! CogniFit Healthcare Impulsa o teu negocio con CogniFit ! CogniFit Employee Wellbeing

Rexístrate aquí se non tes o teu móbil a man

Vai crear unha conta de xestión de pacientes. Esta conta está deseñada para que os teus pacientes accedan ás avaliacións e adestramentos de CogniFit.

Vai crear unha conta de investigación. Esta conta está especialmente deseñada para axudar aos investigadores cos seus estudos nas áreas cognitivas.

Vai crear unha conta de xestión de estudantes. Esta conta está deseñada para que os teus estudantes accedan ás avaliacións e á formación de CogniFit.

Vai crear unha conta familiar. Esta conta está deseñada para que os membros da túa familia accedan ás avaliacións e adestramentos de CogniFit.

Vai crear unha conta de xestión da empresa. Esta conta está deseñada para que os teus empregados accedan ás avaliacións e á formación de CogniFit.

Vai crear unha conta persoal. Este tipo de conta está especialmente deseñada para axudarche a avaliar e adestrar as túas habilidades cognitivas.

Vai crear unha conta de xestión de pacientes. Esta conta está deseñada para que os teus pacientes accedan ás avaliacións e adestramentos de CogniFit.

Vai crear unha conta familiar. Esta conta está deseñada para que os membros da túa familia accedan ás avaliacións e adestramentos de CogniFit.

Vai crear unha conta de investigación. Esta conta está especialmente deseñada para axudar aos investigadores cos seus estudos nas áreas cognitivas.

Vai crear unha conta de xestión de estudantes. Esta conta está deseñada para que os teus estudantes accedan ás avaliacións e á formación de CogniFit.

Vai crear unha conta de xestión da empresa. Esta conta está deseñada para que os teus empregados accedan ás avaliacións e á formación de CogniFit.

Vai crear unha conta de programador. Esta conta está deseñada para integrar os produtos de CogniFit na túa empresa.

loading

Para usuarios maiores de 16 anos. Os menores de 16 anos poden usar CogniFit cun pai ou nai nunha das plataformas familiares.

Ao facer clic en Rexistrarse ou usar CogniFit, indicas que liches, entendes e aceptas os Termos e condicións e a Política de privacidade de CogniFit.

Escanea o seguinte QR co teu teléfono para rexistrarte a través da nosa aplicación móbil para obter a máxima comodidade e acceder en calquera lugar.

Mellora a túa experiencia!

Se non tes o teu móbil a man, rexístrate aquí

Descarga a nosa aplicación para gozar dunha boa experiencia neste dispositivo

Huawei App Gallery

Se non tes o teu móbil a man, rexístrate aquí

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

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

Publicación científica sobre avaliación cognitiva da fatiga do piloto

Esta páxina é só para información. Non vendemos produtos que traten condicións. Os produtos de CogniFit para tratar afeccións están actualmente en proceso de validación. Se estás interesado, visita CogniFit Research Platform
  • 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

Comeza agora
loading

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

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.

Escriba o seu enderezo de correo electrónico