Informacje o plikach cookie na tej stronie

Ta strona korzysta z plików cookie w celu usprawnienia korzystania z Internetu. Kontynuując korzystanie z tej strony bez zmiany preferencji dotyczących plików cookie, przyjmujemy, że wyrażasz zgodę na używanie przez nas plików cookie. Aby uzyskać więcej informacji lub zmienić preferencje dotyczące plików cookie, odwiedź naszą politykę plików cookie.

Wybierz platformę i kup
Wypróbuj 10 licencji, bezpłatnie przez jeden miesiąc.
Po co jest to konto?
Witaj w CogniFit! Witamy w badaniach CogniFit! CogniFit Healthcare CogniFit Employee Wellbeing

Zarejestruj swój adres e-mail poniżej, aby zacząć dbać o swój mózg.

Zamierzasz utworzyć konto zarządzania pacjentem. Konto to ma na celu pomoc pracownikom służby zdrowia (lekarzom, psychologom...) w diagnozowaniu i stymulacji poznawczej.

Zamierzasz utworzyć konto badawcze. To konto zostało specjalnie zaprojektowane, aby pomóc naukowcom w ich badaniach w obszarach poznawczych.

Zamierzasz utworzyć konto zarządzania studentem. To konto ma na celu umożliwienie Twoim uczniom dostęp do ocen i treningów CogniFit.

Zamierzasz utworzyć konto rodzinne. To konto ma na celu zapewnienie członkom Twojej rodziny dostęp do ocen i treningów CogniFit.

Zamierzasz utworzyć firmowe konto zarządzania. To konto ma na celu zapewnienie Twoim pracownikom dostępu do ocen i szkoleń CogniFit.

Zamierzasz utworzyć konto osobiste. Ten typ konta został specjalnie zaprojektowany, aby pomóc Ci ocenić i trenować swoje umiejętności poznawcze.

Zamierzasz utworzyć konto zarządzania pacjentem. Konto to ma na celu pomoc pracownikom służby zdrowia (lekarzom, psychologom...) w diagnozowaniu i stymulacji poznawczej.

Zamierzasz utworzyć konto rodzinne. To konto ma na celu zapewnienie członkom Twojej rodziny dostęp do ocen i treningów CogniFit.

Zamierzasz utworzyć konto badawcze. To konto zostało specjalnie zaprojektowane, aby pomóc naukowcom w ich badaniach w obszarach poznawczych.

Zamierzasz utworzyć konto zarządzania studentem. To konto ma na celu umożliwienie Twoim uczniom dostęp do ocen i treningów CogniFit.

Zamierzasz utworzyć firmowe konto zarządzania. To konto ma na celu zapewnienie Twoim pracownikom dostępu do ocen i szkoleń CogniFit.

Zamierzasz utworzyć konto programisty. To konto ma na celu integrację produktów CogniFit w Twojej firmie.

loading

Dla użytkowników powyżej 16 roku życia. Dzieci poniżej 16 lat mogą używać CogniFit pod nadzorem rodzica na jednej z platform rodzinnych..

Klikając Zarejestruj się lub korzystając z CogniFit, oświadczasz, że przeczytałeś, zrozumiałeś i zaakceptowałeś Zasady & Warunki i Politykę prywatności CogniFit.

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

Przewidywanie indywidualnych różnic w odpowiedzi na utratę snu: zastosowanie aktualnych technik

Publikacje naukowe na temat poznawczej oceny zmęczenia pilotów

Ta strona służy wyłącznie do celów informacyjnych. Nie sprzedajemy żadnych produktów leczących schorzenia. Produkty CogniFit do leczenia chorób są obecnie w procesie walidacji. Jeśli jesteś zainteresowany, odwiedź platformę badawczą CogniFit
  • Wygodne zarządzanie pacjentami badania z platformy dla naukowców

  • Oceń i trenuj do 23 umiejętności poznawczych dla uczestników badania

  • Sprawdź i porównaj rozwój poznawczy uczestników pod kątem danych z badania

Rozpocznij teraz
loading

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

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

  • 1. Naval Medical Research Unit.

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

Referencje do tego artykułu (styl 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.

Wnioski badania

CogniFit może mierzyć bardzo istotne zmienne, aby przewidzieć stan zmęczenia indywidualnego użytkownika. Może to pomóc zmniejszyć ryzyko wypadków dla pilotów wojskowych i cywilów, ponieważ zmęczenie jest zmienną powtarzającą się w różnego rodzaju wypadkach.. Uwzględniając niektóre zmienne, takie jak czas odpowiedzi (p=0,009), pamięć krótkotrwała (p=0,023), podzielność uwagi (p=0,026) lub elastyczność poznawcza (p=0,002) w modelach predykcyjnych, procent wyjaśnionej wariancji wynosi od 13,8% do 35,7%.

Podsumowanie badania

Zmęczenie jest jednym z głównych czynników zagrażających bezpieczeństwu podczas transportu wojskowego. Wykonano modele przewidujące reakcję na zmęczenie, ale nie są jeszcze wystarczająco dokładne, ponieważ nie uwzględniają indywidualnych różnic w odczuwaniu zmęczenia. Zamiast tego proponuje się, aby zdolność prognostyczna tych modeli mogła zostać ulepszona, gdyby przeprowadzono pomiary poznawcze przy użyciu narzędzi takich jak CogniFit, i te odnoszące się do pomiarów biometrycznych ruchu i stanu oczu, które uwzględniają różnice indywidualne.

Różne zmienne poznawcze i te, odnoszące się do pomiarów biometrycznych ruchu i stanu oczu, mierzono u wypoczętych uczestników i co 3 godziny podczas 25-godzinnego procesu czuwania (tak więc uzyskano wyniki grupowe i indywidualne). Możliwe było również porównanie rzeczywistej wydajności z tą oczekiwaną. Wyniki pokazały, że dodając te środki do wcześniej istniejących modeli, przeszły od wyjaśnienia 13,8% do 35,7% wariancji. Oznacza to, że używając CogniFit i innych środków do wykrywania różnic indywidualnych możemy znacznie poprawić przewidywanie wydajności podczas zmęczenia, a tym samym poprawić bezpieczeństwo.

Kontekst

Zmęczenie spowodowane brakiem snu jest jednym z głównych zagrożeń, które są napotykane zarówno w transporcie wojskowym, jak i cywilnym. Zasadniczo rozwiązaniem tych problemów byłoby prawidłowe spanie i/lub uciekanie się do leków. Czasami jednak to nie wystarczy. Wielu z tego można zapobiec, przewidując wyniki danej osoby lub bezpośrednio mierząc zdolność jednostki do działania we właściwym czasie. Z drugiej strony ten model prognostyczny ma umiarkowaną skuteczność.

Względny brak sukcesu tego modelu może wynikać z tego, że wszystkie osoby mają podobny rytm dobowy i reakcję na zmęczenie, podczas gdy badania sugerują, że różnice indywidualne w tych ustawieniach są znaczące. Niektóre aspekty zakłócające tę reakcję na zmęczenie to funkcjonowanie poznawcze.

Dlatego można oczekiwać zwiększenia skuteczności modelu predykcyjnego, jeśli uwzględnimy środki uwzględniające różnice indywidualne, takie jak pomiary poznawcze i te, odnoszące się do pomiarów biometrycznych ruchu i stanu oczu.

Metodologia

Uczestnicy

Uczestnicy składali się z 15 wolontariuszy z programu Naval Aviation Preflight (API) na pokładzie stacji marynarki wojennej Pensacola, obsługującej personel wojskowy (13 mężczyzn i 2 kobiety, średnia wieku 24,7 i 21,5 lat odpowiednio). Aby wziąć udział w badaniu, kontrolowano spożycie alkoholu, kofeiny i tytoniu, osoby musiały być wolne od problemów neurologicznych, psychiatrycznych lub związanych ze snem.

Procedura

Zastosowano projekt powtarzanych pomiarów, aby dowiedzieć się o skutkach pozbawienia snu na wydajność poznawczą i tę, odnoszącą się do pomiarów biometrycznych ruchu i stanu oczu, zarówno na poziomie grupowym, jak i indywidualnym. Najpierw rejestrowano linię bazową, a następnie dane pobierano podczas pozbawienia snu.

Analiza statystyczna

Analizę przeprowadzono w trzech krokach:

  • Krok 1: przeprowadzono serię analiz ANOVA dla każdego kryterium i zmiennej predykcyjnej mierzonej w każdej próbie. Określiło to, jakie zmienne wykazały zmiany w czasie.
  • Krok 2: przeprowadzono szereg dwuwymiarowych liniowych modeli hierarchicznych ze stałymi i losowymi efektami w celu przewidywania kiedy zmęczenie przyniosłoby niższą wydajność i z kolei odkryłoby niewykryte różnice w poziomie analizy grupowej. Wykryto efekt grupowy (p<0,05) i indywidualne różnice w tym ogólnym efekcie (0<0,05). Następnie przeprowadzono wielowymiarowy, multi-hierarchiczny model liniowy, aby dowiedzieć się, które zmienne predykcyjne mają wspólną zmienność objaśniającą na poziomie statystycznym i zależność konceptualną.
  • Krok 3: seria ogólnych modeli liniowych została utworzona ze znaczących zmiennych predykcyjnych z poprzedniego kroku. Tak więc celem było poznanie zdolności predykcyjnej modelu, biorąc pod uwagę czynniki poznawcze i te, odnoszące się do pomiarów biometrycznych ruchu i stanu oczu.
.

Rezultaty i wnioski

W kroku 1 analizy danych uzyskano efekty grupy. Zaobserwowano znaczący wpływ na czas odpowiedzi (p=0,009), pamięć krótkotrwałą (p=0,023), podzielność uwagi (p=0,026) i elastyczność poznawczą (p=0,002). Z powodu zmęczenia nastąpiło zmniejszenie wydajności tych zdolności poznawczych, więc w następnym kroku uwzględniono je jako zmienne predykcyjne. W kroku 2 analizy uzyskano różnice indywidualne dzięki znaczącym relacjom między różnymi zmiennymi z efektami stałymi lub losowymi. W kroku 3 analizy danych, zaobserwowano, że gdy zastosowano tylko klasyczne miary predykcji, przewidywania mogły stanowić jedynie 13,8% wariancji. W przeciwieństwie do tego, dodając znaczące zmienne poznawcze, prognozy mogą stanowić 35,7% wariancji.

Wyniki te wskazują, że dodanie pewnych wrażliwych na zmęczenie zmiennych do zwykłych modeli predykcyjnych, takich jak CogniFit, może pomóc nam lepiej przewidywać, kiedy na wydajność wpłynie zmęczenie. Znajomość tych informacji może być bardzo przydatna w zapobieganiu wypadkom i podejmowaniu środków ostrożności zarówno w samolotach wojskowych, jak i cywilnych.

Wpisz swój adres e-mail