CogniFit - Predviđanje Individualnih Razlika kao Odgovor na Nedostatak Sna: Primena Tehnika

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

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

• 1. Jedinica za Medicinska Istraživanja.

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

Članak u časopisu (APA stil)::

• 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.

Zaključak Istraživanja

CogniFit meri važne varijable i može da predvidi da li je korisnik umoran. Takav test smanjuje rizik od nesreća koje mogu doživeti vojnici ili civili, jer je umor vrlo čest uzrok mnogih nesreća. Neke od varijabli koje meri su brzina reakcije (p=0.009), kratkoročna memorija (p=0.023), podeljena pažnja (p=0.026) ili kognitivna fleksibilnost (p=0.002), procenat razlike se kreće od 13.8% do 35.7%.

Kratak opis istraživanja

Umor je jedan od faktora rizika koji ugrožava bezbednost putnika tokom prevoza. Modeli koji predviđaju kako će osobe reagovati na umor su osmišljeni, ali njihova preciznost još uvek nije naučno dokazana, jer oni ne uzimaju u obzir razlike između pojedinaca i njihovu reakciju na umor. Sigurnost predviđanja ovih modela se može poboljšati ukoliko se koristi program kao što je CogniFit i merenja pokreta očiju kako bi se razlike između pojedinaca uzele u obzir.

Različite kognitivne varijable kao i merenja pokreta očiju, mereni su kod učesnika koji su bili odmorni, a zatim na svaka 3 sata tokom 25 sati tokom kojih su bili budni (uzeti su podaci za grupu, kao i za pojedince). Takođe je bilo moguće uporediti pravi rezultat sa očekivanim rezultatom. Rezultati pokazuju da ukoliko dodamo ova merenja klasičnom modelu, ostvarena je razlika sa 13.8% na 35.7%. To znači da, upotreba CogniFit-a i drugih merenja za otkrivanje razlika između pojedinaca, mogu da povećaju mogućnost predviđanja uticaja umora i na taj način povećaju bezbednost.

Sadržaj

Umor zbog nedostatka sna je jedan od glavnih faktora rizika kako u prevozu vojnika, tako i u prevozu civila. U suštini, rešenje za ovaj problem je u dobrom snu i/ili upotrebi lekova. Međutim, nekada to nije dovoljno. Mnogo toga se može predvideti ukoliko posmatramo ponašanje osobe ili izmerimo sposobnost osobe da pravovremeno reaguje. Ovaj model za predviđanje ima umerenu efikasnost.

Nedostatak ovog modela je u tome što se pretpostavlja da svi pojedinci imaju sličan ritam i da nihovo telo isto reaguje na umor, a određene studije pokazuju da su razlike među pojedincima u ovim postavkama vrlo značajne. Jedan od faktora koji utiče na reagovanje tela na umor je kognitivna funkcija osobe.

Stoga, ukoliko modelu dodamo razlike među pojednicima, kao što su to kognitivna merenja i merenja pokreta očiju, povećaju efikasnost modela za predviđanje.

Metodologija

Učesnici

U ispitivanju je učestvovalo 15 dobrovoljaca programa za Pripremu za Poletanje pri Vazduhoplovstvu (API) vazduhoplovne mornaričke baze, Pensakola, (13 muškaraca i 2 žene, prosečno 24.7 i 21.5 godina starih). Da bi mogli da učestvuju u ispitanju kontrolisana je upotreba alkohola, kofeina i duvana, i učesnici takođe nisu mogli da imaju neurološke, psihijatrijske probleme ili probleme sa spavanjem.

Procedura

Primenjena su ponavljanja merenja kako bismo saznali više o efektima nedostatka sna na kognitivnu funkciju, kako kod pojedinaca tako i kod grupe. Prvo je izvršeno merenje na početku, a zatim je ponovo obavljeno tokom nedostatka sna.

Statistička analiza

Analiza je sprovedena u tri koraka:

• 1. korak: Niz testova ANOVA je sprovedeno za svaki kriterijum i varijablu tokom svakog izazova. To nam je pokazalo koje se varijable menjaju tokom vremena.
• 2. korak: Sproveden je niz hijerarhijskih modela sa fiksnim i nasumičnim efektima sa ciljem da predvide kako umor utiče na smanjenje učinka i otkriju razlike među pojedincima tokom analize grupe. Otkriveni su efekat grupe (p<0.05) i individualne razlike unutar ukupnog efekta (0<0.05). Nakon toga, multivarijabilni multi-hijerarhijski linearni model je sproveden kako bi se otkrilo koje varijable pokazuju zajedničke karakteristike na statističkom nivou.
• Korak 3: Niz opštih linearnih modela je sprovedeno uzimajući u obzir značajne varijable iz prethodnog koraka. Cilj je bio da se otkrije kapacitet predviđanja modela uzimajući u obzir kognitivne faktore.

Rezultati i Zaključci

U 1. koraku analize podataka, posmatrani su efekti cele grupe. Primećeno je da postoji značajni efekti na brzinu reakcije (p=0.009), kratkoročnu memoriju (p=0.023), podeljenu pažnju (p=0.026) i kognitivnu fleskibilnost (p=0.002). Zbog umora smanjena je efikasnost obavljanja ovih kognitivnih veština, tako da su one uzete kao varijable u sledećem koraku. U 2. koraku analize podataka, posmatrane su razlike među pojedincima i veza između različitih varijabli sa fiksnim ili nasumičnim efektima. Tokom 3. koraka analize podataka, primećeno je da ukoliko se uzimaju samo klasična merenja, predviđanja pokazuju promenu od 13.8%. Suprotno tome, ukoliko uzmemo u obzir i kognitivne varijable, predviđanja pokazuju promenu od 35.7%.

Ovi rezultati ukazuju na to da ukoliko se doda varijabla osetljivosti na umor, modelu za predviđanje, kao što su to CogniFit-ova merenja, možemo da vržimo predviđanja preciznije. Ako uzmemo u obzir ova predviđanja i podatke možemo da preduzmemo mere predostrožnosti, kako u vojnom, tako i u transportu civila.