نام: پیش‌بینی تفاوت‌های فردی در پاسخ به کمبود خواب: کاربرد تکنیک‌های فعلی.

نویسندگان: جوزف اف. چندلر۱، ریچارد دی. آرنولد۱، جفری بی. فیلیپس۱، اشلی ای. ترنمایر۱.

• ۱. واحد تحقیقات پزشکی نیروی دریایی.

مجله: هوانوردی، فضا و پزشکی محیط (۲۰۱۳)، جلد ۸۴ (۹): ۹۲۷-۹۳۷.

ارجاعات به این مقاله (سبک APA):

• چندلر، جی. اف.، آرنولد، آر. دی.، فیلیپس، جی. بی.، ترنمایر، ای. ای. (۲۰۱۳). پیش‌بینی تفاوت‌های فردی در پاسخ به کمبود خواب: کاربرد تکنیک‌های فعلی. هوانوردی، فضا و پزشکی محیط، جلد ۸۴، صفحات ۹۲۷-۹۳۷.

نتیجه گیری مطالعه

کاگنی‌فیت می‌تواند متغیرهای بسیار مرتبط برای پیش‌بینی عملکرد خستگی کاربر را اندازه‌گیری کند. این می‌تواند کمک کند تا خطر تصادفات برای خلبانان نظامی و غیرنظامی کاهش یابد، زیرا خستگی یک متغیر مکرر در انواع مختلف تصادفات است. با اضافه کردن برخی متغیرها، مانند زمان پاسخ (p=0.009)، حافظه کوتاه‌مدت (p=0.023)، توجه تقسیم‌شده (p=0.026) یا تغییر پذیری (p=0.002) در مدل‌های پیش‌بینی‌کننده، درصد واریانس توضیح‌داده‌شده از ۱۳.۸٪ به ۳۵.۷٪ افزایش می‌یابد.

خلاصه مطالعه

خستگی یکی از عوامل اصلی است که ایمنی را در حمل‌ونقل نظامی به خطر می‌اندازد. مدل‌هایی برای پیش‌بینی پاسخ به خستگی ساخته شده‌اند، اما هنوز به اندازه کافی دقیق نیستند، زیرا تفاوت‌های فردی در حساسیت به خستگی را در نظر نمی‌گیرند. در عوض، پیشنهاد داده می‌شود که ظرفیت پیش‌بینی‌کننده این مدل‌ها می‌تواند بهبود یابد اگر اندازه‌گیری‌های شناختی با استفاده از ابزارهایی مانند کاگنی‌فیت و اکولومتری انجام شود تا تفاوت‌های فردی را مد نظر بگیرد.

متغیرهای شناختی و اکولومتری مختلف در شرکت‌کنندگان استراحت‌کننده اندازه‌گیری شدند و هر ۳ ساعت در طول ۲۵ ساعت بیخوابی (بنابراین نمرات گروهی و فردی به دست آمدند). همچنین می‌توان عملکرد واقعی را با عملکرد مورد انتظار مقایسه کرد. نتایج نشان داد که با افزودن این اندازه‌گیری‌ها به مدل‌های موجود، آن‌ها از توضیح ۱۳.۸٪ به ۳۵.۷٪ واریانس رفتند. این بدان معنی است که با استفاده از کاگنی‌فیت و سایر اندازه‌گیری‌ها برای تشخیص تفاوت‌های فردی، می‌تواند پیش‌بینی عملکرد در طول خستگی را بسیار بهبود بخشد و در نتیجه ایمنی را بهبود بخشد.

زمینه

خستگی ناشی از کمبود خواب یکی از خطرات اصلی است که آن‌ها در حمل‌ونقل نظامی و غیرنظامی با آن روبرو هستند. در ابتدا، راه‌حل این مشکلات خوب‌خوابیدن و/یا مراجعه به داروها خواهد بود. با این حال، گاهی اوقات این کافی نیست. بسیاری از این مسائل می‌توانند با پیش‌بینی عملکرد یک فرد یا اندازه‌گیری مستقیم توانایی یک فرد برای عمل در زمان مناسب جلوگیری شوند. این مدل پیش‌بینی، از طرف دیگر، دارای کارایی متوسطی است.

کمبود نسبی موفقیت این مدل ممکن است به این دلیل باشد که فرض می‌کند که همه افراد دارای ریتم شبانه‌روزی و پاسخ به خستگی مشابهی هستند، در حالی که مطالعات نشان می‌دهند که تفاوت‌های فردی در این تنظیمات قابل‌توجه است. برخی از جنبه‌هایی که در این پاسخ به خستگی مداخله می‌کنند عملکرد شناختی یک فرد است.

بنابراین، اگر اقدامات‌هایی را در نظر بگیریم که تفاوت‌های فردی مانند معیارهای شناختی و اکولومتری را در نظر می‌گیرند، می‌توان انتظار یک افزایش در اثربخشی مدل پیش‌بینی را داشت.

روش‌شناسی

شرکت‌کنندگان

شرکت‌کنندگان شامل 15 داوطلب از برنامه آموزش‌های پیشگیری هوانوردی دریایی (API) در پایگاه هوایی دریایی پنسیکولا، عاملان نظامی (13 نفر مرد و 2 نفر زن، با میانگین سن 24.7 و 21.5 سال به‌ترتیب) بودند. برای شرکت در این مطالعه، مصرف الکل، کافئین و دخانیات کنترل‌شده بود و آن‌ها باید از مشکلات عصبی، روانی یا مرتبط با خواب آزاد باشند.

روش

یک طراحی با اندازه‌گیری‌های مکرر برای یادگیری اثرات محرومیت خواب بر عملکرد شناختی و اکولومتری، هم در سطح گروهی و هم در سطح فردی اعمال شد. ابتدا خط‌مبنا ثبت‌شده و سپس داده‌ها در طول محرومیت خواب جمع‌آوری شدند.

تجزیه‌وتحلیل آماری

تجزیه و تحلیل در سه مرحله انجام شد:

• مرحله 1: برای هر معیار و متغیر پیش‌بین اندازه‌گیری شده در هر آزمایش، مجموعه‌ای از ANOVA انجام شد. این تعیین کرد که کدام متغیرها در طول زمان تغییر نشان دادند.
• مرحله 2: مجموعه‌ای از مدل‌های خطی دوبعدی سلسله‌مراتبی با اثرات ثابت و تصادفی با هدف پیش‌بینی زمانی که خستگی منجر به بازده کمتری می‌شود و در نتیجه کشف تفاوت‌های آشکار نشده در سطح تجزیه و تحلیل گروه انجام شد. اثر گروه (p<0.05) و تفاوت‌های فردی در آن اثر کلی (0<0.05) تشخیص داده شد. پس از این، یک مدل خطی چند‌متغیره سلسله‌مراتبی انجام شد تا معلوم شود کدام متغیرهای پیش‌بین واریانس توضیحی را در سطح آماری و رابطه در سطح مفهومی به اشتراک می‌گذارند.
• مرحله 3: مجموعه‌ای از مدل‌های خطی عمومی از متغیرهای پیش‌بین معنادار مرحله قبل ایجاد شد. بنابراین، هدف تعیین ظرفیت پیش‌بینی مدل با در نظر گرفتن عوامل شناختی و اکولومتری بود.

نتایج و نتیجه‌گیری

در مرحله 1 تجزیه‌وتحلیل داده‌ها، اثرات گروه به‌دست آمد. مشاهده شد که اثرات معنی‌داری بر زمان پاسخ (p=0.009)، حافظه کوتاه‌مدت (p=0.023)، توجه تقسیم‌شده (p=0.026) و انتقال (p=0.002) وجود داشت. با خستگی، کاهش در عملکرد این توانایی‌های شناختی مشاهده شد، بنابراین آن‌ها به‌عنوان متغیرهای پیش‌بینی‌کننده در مرحله بعد در نظر گرفته شدند. در مرحله 2 تجزیه‌وتحلیل، تفاوت‌های فردی به‌دست آمد از طریق روابط معنی‌داری بین متغیرهای مختلف با اثرات ثابت یا تصادفی. مرحله 3 تجزیه‌وتحلیل داده‌ها، مشاهده شد که هنگامی که فقط معیارهای پیش‌بینی کلاسیک استفاده شدند، پیش‌بینی‌ها فقط می‌توانستند 13.8٪ از واریانس را توضیح دهند. در مقابل، با افزودن متغیرهای شناختی معنی‌دار، پیش‌بینی‌ها می‌توانستند 35.7٪ از واریانس را توضیح دهند.

این نتایج نشان می‌دهد که افزودن برخی از متغیرهای حساس به خستگی به معیارهای پیش‌بینی معمول، مانند معیارهای CogniFit، می‌تواند به ما کمک کند تا دقیق‌تر پیش‌بینی کنیم که کی عملکرد تحت تأثیر خستگی قرار خواهد گرفت. دانستن این اطلاعات می‌تواند بسیار مفید باشد تا از تصادفات جلوگیری کنیم و اقدامات احتیاطی را در هواپیماهای نظامی و شهری بگیریم.