Sobre Cookies nesta página web

Este site utiliza cookies para melhorar a sua experiência online. Ao continuar a utilizar este site sem mudar as suas preferências de cookies, assumiremos que aceita o nosso uso das cookies. Para conseguir mais informação ou mudar as suas preferências de cookies, veja a nossa política de cookies.

Aceitar
Escolha sua plataforma e compre
Tente um mês grátis de carga com 10 licenças.
Para que vai servir a conta?
Cadastre-se

Confirme que os treinos e/ou avaliações são para o seu próprio uso. Vai criar uma conta pessoal. Esse tipo de conta está desenhado para ajudá-lo a avaliar e treinar as suas habilidades cognitivas.

Confirme que deseja aceder aos treinos e avaliações cognitivas para os seus pacientes. Vai criar uma conta de gestão de pacientes. Esta conta está desenhada para ajudar os profissionais de saúde (médicos, psicólogos ...) no diagnóstico e intervenção de distúrbios cognitivos.

Confirme que deseja oferecer treinos e/ou avaliações cognitivas aos seus familiares ou amigos. Vai criar uma conta de família. Esta conta está desenhada para dar acesso às avaliações e treinos da CogniFit aos seus familiares.

Confirme que deseja aceder aos treinos e avaliações cognitivas para os participantes de um estudo de pesquisa. Vai criar uma conta de pesquisa. Esta conta é especialmente desenhada para ajudar os pesquisadores nos seus estudos nas áreas cognitivas.

Confirme que deseja aceder a treinos e avaliações cognitivas para os seus alunos. Vai criar uma conta de gestão de alunos. Esta conta está desenhada para ajudar no diagnóstico e na intervenção de distúrbios cognitivos de crianças e jovens estudantes.

Para o seu próprio uso (a partir dos 16 anos). As crianças menores de 16 anos podem usar a plataforma CogniFit para Famílias.

loading

Ao se registrar e usar CogniFit, você aceita que leu, entendeu e que está de acordo com as de Uso e a de Privacidade de CogniFit.

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

CogniFit ajuda a Marinha dos EUA para aumentar a segurança dos seus pilotos

Publicação científica sobre a avaliação cognitiva da fadiga dos pilotos

  • Gere de forma conveniente as investigações de pacientes da plataforma para pesquisadores

  • Avalia e treina até 23 habilidades cognitivas para os participantes do seu estudo

  • Verifica e compara a evolução cognitiva dos participantes para os dados do seu estudo

Começar Agora
loading

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

Autores : Joseph F. Chandler 1, Richard D. Arnold 1, Jeffrey B. Phillips 1, Ashley E. Turnmire1.

  • 1. Unidade de pesquisa médica naval.

Revista : Aviação, Medicina Espacial e Ambiental (2013), vol. 84 (9): 927-937.

Cita este artigo (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.

Conclusão do estudo

A CogniFit pode medir variáveis ​​muito relevantes para prever o desempenho individual dos usuários perante a fadiga. Isso pode ajudar a reduzir o risco de acidentes com pilotos militares e civis, uma vez que a fadiga é uma variável recorrente em vários tipos de acidentes. . Incluindo algumas variáveis, como o tempo de reação (p = 0,009), memória de curto prazo (p = 0,023), atenção dividida (p = 0,026) ou flexibilidade cognitiva (p = 0,002) nos modelos preditivos, a porcentagem A variança explicada passa de 13,8% para 35,7%.

Resumo do estudo

A fadiga é um dos principais fatores que colocam a segurança em risco durante o transporte militar . Modelos que predizem a resposta à fadiga foram feitos, mas ainda não são suficientemente precisos, pois não contemplam diferenças individuais em termos de sensibilidade à fadiga. Em vez disso, propõe-se que a capacidade preditiva desses modelos possam ser melhoradas se se realizam medidas cognitivas com ferramentas como a CogniFit e oculométricas para contar com diferenças individuais.

As diferentes variáveis ​​cognitivas e oculométricas foram medidas com os participantes em repouso e a cada 3 horas durante um processo de vigília de 25 horas (de modo que obtiveram as pontuações de grupo e individual). Também foi possível comparar o desempenho real com o desempenho esperado. Os resultados indicaram que, ao adicionar essas medidas aos modelos pré-existentes, eles foram de explicar 13,8% a 35,7% da variância . Isso significa que, usando CogniFit e outras medidas para detectar diferenças individuais, podem melhorar significativamente a previsão de desempenho durante a fadiga e, portanto, melhorar a segurança .

Contexto

A fadiga devido à falta de sono é um dos principais riscos que têm de enfrentar tanto no transporte militar como no transporte civil. Em princípio, a solução para esses problemas seria dormir adequadamente e / ou recorrer a drogas . No entanto, às vezes isso não é suficiente. Grande parte disso pode ser prevenida através da previsão do desempenho de uma pessoa ou pela medição direta da habilidade do indivíduo em agir no momento certo. Este modelo de predição , por outro lado, tem uma eficácia moderada por si só .

A relativa falta de sucesso deste modelo pode ser devido a dá por certo que todos os indivíduos têm ritmos circadianos e uma resposta similar à fadiga; enquanto os estudos apontam que as diferenças individuais nessas áreas são significativas. Alguns dos aspectos que interferem nesta resposta à fadiga são o funcionamento cognitivo do indivíduo .

Portanto, esperamos um aumento na eficácia do modelo preditivo se incluíssemos medidas que levem em consideração diferenças individuais, como medidas cognitivas e oculométricas.

Metodologia

Participantes

Os participantes consistiram em 15 voluntários do pessoal militar em serviço ativo (13 homens e 2 mulheres, com idade média de 24,7 anos e 21,5 anos, respectivamente) do programa Naval Aviation Preocerving Adoctrination (API) a bordo da Naval Air Station Pensacola. Para participar do estudo, o consumo de álcool, cafeína e tabaco foi controlado, além de estarem isentos de problemas neurológicos, psiquiátricos ou relacionados ao sono.

Procedimento

Um design de medidas repetidas foi aplicado para conhecer os efeitos da privação do sono no desempenho cognitivo e oculométrico, tanto a nível do grupo quanto ao nível individual. Primeiro, a linha de base foi gravada e, em seguida, os dados foram recolhidos durante a privação do sono.

Análise estatística

A análise foi realizada em três etapas :

  • Etapa 1 : uma série de ANOVAs foi realizada para cada critério e variável preditora medida em cada teste. Desta forma, determinamos quais as variáveis que ​​apresentaram mudanças ao longo do tempo .
  • Etapa 2 : uma série de modelos lineares bivariados com efeitos fixos foi realizada e randomizados para prever quando a fadiga produzirá um menor rendimento e, por sua vez, descobriria diferenças não detectadas na análise ao nível do grupo. Um efeito de grupo foi detectado (p <0,05) e diferenças individuais nesse efeito geral (0 <0,05). Depois disso, um modelo hierárquico multivariado linear foi realizado para saber quais as variáveis ​​preditivas que compararam a variância explicativa no nível estatístico e a relação conceitual .
  • Etapa 3 : Uma série de modelos lineares gerais foi feita a partir das variáveis ​​predictoras significativas do passo anterior. Com isso, buscamos conhecer a capacidade preditiva do modelo tendo em consideração fatores cognitivos e oculométricos .

Resultados e conclusões

Na Etapa 1 da análise de dados, foram obtidos os efeitos de grupo. Observou-se que houve efeitos significativos no tempo de reação (p = 0,009), na memória de curto prazo (p = 0,023), na atenção dividida (p = 0,026) e na flexibilidade cognitiva (p = 0,002). Com a fadiga, houve uma redução no desempenho dessas habilidades cognitivas, portanto foram levadas em consideração como variáveis ​​preditoras no próximo passo. No Passo 2 da análise, as diferenças individuais foram obtidas através das relações significativas entre diferentes variáveis ​​com efeitos fixos ou aleatórios. No passo 3 da análise de dados, observou-se que quando apenas as medidas clássicas de predição foram usadas, as previsões só poderiam explicar 13,8% da variância. Em contraste, adicionando variáveis ​​cognitivas significativas, as previsões poderiam explicar 35,7% da variância .

Esses resultados indicam que a adição de algumas variáveis ​​sensíveis à fadiga aos modelos preditivos usuais, como as que mede a CogniFit, pode ajudar-nos a prever com mais precisão quando o desempenho será afetado pela fadiga . Conhecer esta informação pode ser muito útil para prevenir acidentes e tomar medidas cautelares nos espaços aéreos militares e civis.

Por favor, escreva o seu endereço de e-mail