CogniFit - Memprediksi Perbedaan Individu dalam Respon terhadap Kurang Tidur: Penerapan Teknik Terkini

Nama : Memprediksi Perbedaan Individu dalam Respons terhadap Kehilangan Tidur: Penerapan Teknik Terkini .

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

• 1. Unit Penelitian Medis Angkatan Laut.

Jurnal : Penerbangan, Antariksa, dan Kedokteran Lingkungan (2013), vol. 84 (9): 927-937.

Referensi ke artikel ini (gaya APA):

• Chandler, JF, Arnold, RD, Phillips, JB, Turnmire, AE (2013). Memprediksi Perbedaan Individu dalam Respon terhadap Kurang Tidur: Penerapan Teknik Terkini. Kedokteran Penerbangan, Antariksa, dan Lingkungan, vol.84, hlm.927-937.

Kesimpulan Studi

CogniFit dapat mengukur variabel yang sangat relevan untuk memprediksi kinerja kelelahan pengguna secara individu. Hal ini dapat membantu mengurangi risiko kecelakaan bagi pilot militer dan warga sipil, karena kelelahan merupakan variabel yang berulang dalam berbagai jenis kecelakaan. Dengan memasukkan beberapa variabel, seperti waktu respons (p=0,009), memori jangka pendek (p=0,023), perhatian terbagi (p=0,026) atau pergeseran (p=0,002) dalam model prediktif, persentase varians yang dijelaskan berkisar dari 13,8% hingga 35,7%.

Ringkasan Studi

Kelelahan merupakan salah satu faktor utama yang membahayakan keselamatan selama transportasi militer . Model yang memprediksi respons terhadap kelelahan telah dibuat, tetapi belum cukup akurat, karena tidak memperhitungkan perbedaan individu dalam sensitivitas kelelahan . Sebaliknya, diusulkan bahwa kapasitas prediktif model ini dapat ditingkatkan jika pengukuran kognitif dilakukan menggunakan alat seperti CogniFit dan oculometric untuk memperhitungkan perbedaan individu.

Variabel kognitif dan okulometrik yang berbeda diukur pada peserta yang beristirahat dan setiap 3 jam selama proses terjaga selama 25 jam (sehingga skor kelompok dan individu diperoleh). Dimungkinkan juga untuk membandingkan kinerja aktual dengan kinerja yang diharapkan. Hasilnya menunjukkan bahwa dengan menambahkan ukuran-ukuran ini ke model yang sudah ada sebelumnya, mereka berubah dari menjelaskan 13,8% menjadi 35,7% dari varians . Ini berarti bahwa, menggunakan CogniFit dan ukuran-ukuran lain untuk mendeteksi perbedaan individu, dapat sangat meningkatkan prediksi kinerja selama kelelahan dan dengan demikian meningkatkan keselamatan .

Konteks

Kelelahan akibat kurang tidur merupakan salah satu risiko utama yang mereka hadapi dalam transportasi militer dan sipil. Pada prinsipnya, solusi untuk masalah ini adalah tidur yang cukup dan/atau menggunakan obat-obatan. Namun, terkadang hal ini tidaklah cukup. Sebagian besar hal ini dapat dicegah dengan memprediksi kinerja seseorang atau mengukur secara langsung kemampuan seseorang untuk bertindak pada waktu yang tepat. Di sisi lain, model prediksi ini memiliki efektivitas yang cukup dengan sendirinya .

Kurangnya keberhasilan model ini mungkin karena model ini berasumsi bahwa semua individu memiliki ritme sirkadian dan respons terhadap kelelahan yang sama, sementara penelitian menunjukkan bahwa perbedaan individu dalam situasi ini signifikan. Beberapa aspek yang mengganggu respons terhadap kelelahan ini adalah fungsi kognitif seseorang .

Oleh karena itu, peningkatan efektivitas model prediktif dapat diharapkan jika kita menyertakan ukuran yang memperhitungkan perbedaan individu, seperti ukuran kognitif dan okulometri.

Metodologi

Peserta

Peserta terdiri dari 15 relawan dari program Naval Aviation Preflight Indoctrination (API) di Pangkalan Udara Angkatan Laut Pensacola, personel militer yang bertugas (13 pria dan 2 wanita, dengan usia rata-rata masing-masing 24,7 dan 21,5 tahun). Untuk berpartisipasi dalam penelitian ini, penggunaan alkohol, kafein, dan tembakau dikontrol, dan mereka harus bebas dari masalah neurologis, psikiatris, atau terkait tidur.

Prosedur

Desain pengukuran berulang diterapkan untuk mempelajari dampak kurang tidur pada kinerja kognitif dan okulometri, baik pada tingkat kelompok maupun individu. Pertama, data awal dicatat dan kemudian data diambil selama kurang tidur.

Analisis Statistik

Analisis dilakukan dalam tiga langkah :

• Langkah 1 : Serangkaian ANOVA dilakukan untuk setiap kriteria dan variabel prediktor yang diukur dalam setiap percobaan. Ini menentukan variabel apa yang menunjukkan perubahan dari waktu ke waktu.
• Langkah 2 : Serangkaian model hirarkis linier bivariat dengan efek tetap dan acak dilakukan dengan tujuan untuk memprediksi kapan kelelahan akan menghasilkan hasil yang lebih rendah dan, pada gilirannya, menemukan perbedaan yang tidak terdeteksi dalam tingkat analisis kelompok. Efek kelompok (p<0,05) dan perbedaan individu dalam efek keseluruhan tersebut (0<0,05) terdeteksi. Setelah ini, model linier multi-hierarkis multivariat dilakukan untuk mengetahui variabel prediktor mana yang berbagi varians penjelas pada tingkat statistik dan hubungan pada tingkat konseptual.
• Langkah 3 : Serangkaian model linier umum dibuat dari variabel prediktor signifikan dari langkah sebelumnya. Dengan demikian, tujuannya adalah untuk mengetahui kapasitas prediktif model dengan mempertimbangkan faktor kognitif dan okulometrik.

Hasil dan Kesimpulan

Pada Langkah 1 analisis data, efek kelompok diperoleh . Diamati bahwa ada efek signifikan pada waktu respons (p=0,009), memori jangka pendek (p=0,023), perhatian terbagi (p=0,026) dan pergeseran (p=0,002). Dengan kelelahan, ada pengurangan dalam kinerja kemampuan kognitif ini, jadi mereka diperhitungkan sebagai variabel prediktif pada langkah berikutnya. Pada Langkah 2 analisis, perbedaan individu diperoleh melalui hubungan signifikan antara variabel yang berbeda dengan efek tetap atau acak. Langkah 3 analisis data, diamati bahwa ketika hanya ukuran prediksi klasik yang digunakan, prediksi hanya dapat menjelaskan 13,8% dari varians. Sebaliknya, menambahkan variabel kognitif yang signifikan, prediksi dapat menjelaskan 35,7% dari varians .

Hasil ini menunjukkan bahwa menambahkan beberapa variabel yang peka terhadap kelelahan ke model prediktif yang biasa, seperti pengukuran CogniFit, dapat membantu kita memprediksi dengan lebih akurat kapan kinerja akan terpengaruh oleh kelelahan . Mengetahui informasi ini dapat sangat berguna untuk mencegah kecelakaan dan mengambil tindakan pencegahan baik di pesawat militer maupun sipil.