Tên: Dự đoán sự khác biệt cá nhân trong phản ứng với mất ngủ: Ứng dụng các kỹ thuật hiện tại.

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

• 1. Đơn vị Nghiên cứu Y tế Hải quân.

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

Tham chiếu bài viết này (kiểu APA)::

• Chandler, J. F., Arnold, R. D., Phillips, J. B., Turnmire, A. E. (2013). Dự đoán sự khác biệt cá nhân trong phản ứng với mất ngủ: Ứng dụng các kỹ thuật hiện tại. Aviation, Space, and Environmental Medicine, vol.84, pp.927-937.

Kết luận nghiên cứu

CogniFit có thể đo lường các biến số cực kỳ liên quan để dự đoán hiệu suất mệt mỏi của từng người dùng. Điều này có thể giúp giảm nguy c险tai nạn đối với các phi công quân sự và dân sự, vì mệt mỏi là một biến số thường xuyên xuất hiện trong nhiều loại tai nạn. . Bằng cách đưa vào một số biến số như thời gian phản ứng (p=0,009), bộ nhớ ngắn hạn (p=0,023), chú ý chia sẻ (p=0,026) hoặc chuyển đổi (p=0,002) vào các mô hình dự báo, tỷ lệ phương sai được giải thích tăng từ 13,8% lên 35,7%.

Tóm tắt nghiên cứu

Mệt mỏi là một trong những yếu tố chính gây nguy hiểm cho an toàn trong vận chuyển quân sự. Các mô hình dự đoán phản ứng với mệt mỏi đã được xây dựng, nhưng chưa đủ chính xác, vì chúng không tính đến những sự khác biệt cá nhân trong độ nhạy với mệt mỏi. Thay vào đó, được đề xuất rằng khả năng dự báo của những mô hình này có thể được cải thiện nếu thực hiện các phép đo nhận thức bằng các công cụ như CogniFit và đo oculometric để tính đến sự khác biệt cá nhân.

Các biến số nhận thức và oculometric khác nhau được đo lường ở những người tham gia đã nghỉ ngơi và cứ 3 giờ một lần trong quá trình thức 25 giờ (vì vậy điểm số nhóm và cá nhân được thu thập). Cũng có thể so sánh hiệu suất thực tế với hiệu suất dự kiến. Kết quả cho thấy rằng bằng cách thêm những biện pháp này vào các mô hình đã tồn tại trước đó, chúng đã giải thích từ 13,8% lên 35,7% của phương sai. Điều này có nghĩa là, sử dụng CogniFit và các biện pháp khác để phát hiện sự khác biệt cá nhân, có thể cải thiện đáng kể việc dự báo hiệu suất trong tình trạng mệt mỏi và do đó cải thiện an toàn.

Bối cảnh

Mệt mỏi do thiếu ngủ là một trong những rủi ro chính mà họ phải đối mặt trong cả vận chuyển quân sự và dân sự. Nguyên tắc chung, giải pháp cho những vấn đề này sẽ là ngủ đủ và/hoặc sử dụng các loại thuốc. Tuy nhiên, đôi khi điều này là không đủ. Phần lớn những điều này có thể được ngăn chặn bằng cách dự đoán hiệu suất của một người hoặc đo trực tiếp khả năng của một cá nhân hành động vào đúng thời điểm. Cái mô hình dự báo này, mặt khác, có hiệu quả vừa phải.

Việc thiếu thành công tương đối của mô hình này có thể là vì nó giả định rằng tất cả các cá nhân đều có nhịp sinh học tuần hoàn tương tự nhau và phản ứng với mệt mỏi, trong khi các nghiên cứu cho thấy rằng những sự khác biệt cá nhân trong những cài đặt này là đáng kể. Một số khía cạnh can thiệp vào phản ứng này với mệt mỏi là chức năng nhận thức của một người.

Do đó, có thể kỳ vọng sự gia tăng hiệu quả của mô hình dự đoán nếu chúng tôi bao gồm các biện pháp tính đến sự khác biệt cá nhân, chẳng hạn như các biện pháp nhận thức và oculometric.

Phương pháp

Những người tham gia

Những người tham gia bao gồm 15 tình nguyện viên từ Chương trình Giáo dục Tiền bay Hàng không Hải quân (API) trên Trạm Hàng không Hải quân Pensacola, phục vụ nhân viên quân sự (13 nam và 2 nữ, với tuổi trung bình lần lượt là 24,7 và 21,5 năm). Để tham gia nghiên cứu, việc sử dụng rượu, caffeine và thuốc lá được kiểm soát, và họ phải không có các vấn đề liên quan đến thần kinh, tâm thần hoặc giấc ngủ.

Quy trình

Một thiết kế các biện pháp lặp lại đã được áp dụng để tìm hiểu về các tác động của mất ngủ đối với hiệu suất nhận thức và oculometric, cả ở cấp độ nhóm và cá nhân. Đầu tiên, đường cơ sở được ghi lại và sau đó dữ liệu được lấy trong thời gian mất ngủ.

Phân tích thống kê

Phân tích được thực hiện trong ba bước:

• Bước 1: Một loạt phương pháp ANOVA được thực hiện cho mỗi tiêu chí và biến dự báo được đo lường trong mỗi lần thử nghiệm. Điều này xác định những biến nào cho thấy thay đổi theo thời gian.
• Bước 2: Một loạt mô hình tuyến tính hai biến phân cấp với các hiệu ứng cố định và ngẫu nhiên được thực hiện với mục đích dự báo khi nào mệt mỏi sẽ tạo ra năng suất thấp hơn và do đó khám phá các khác biệt chưa phát hiện ở cấp độ phân tích nhóm. Đã phát hiện hiệu ứng nhóm (p<0,05) và các khác biệt cá nhân trong hiệu ứng tổng thể đó (0<0,05). Sau đó, một mô hình tuyến tính đa phân cấp được thực hiện để biết những biến dự báo nào chia sẻ phương sai giải thích ở cấp độ thống kê và mối quan hệ ở cấp độ khái niệm.
• Bước 3: Một loạt mô hình tuyến tính tổng quát được tạo ra từ các biến dự báo có ý nghĩa của bước trước. Do đó, mục đích là biết được khả năng dự báo của mô hình bằng cách tính đến các yếu tố nhận thức và đo lường mắt.

Kết quả và Kết luận

Trong Bước 1 của phân tích dữ liệu, các hiệu ứng của nhóm được thu được. Người ta quan sát thấy rằng có những ảnh hưởng đáng kể đến thời gian phản ứng (p=0,009), trí nhớ ngắn hạn (p=0,023), chú ý chia sẻ (p=0,026) và chuyển đổi (p=0,002). Với mệt mỏi, có sự giảm sút trong hiệu suất của các khả năng nhận thức này, vì vậy chúng được xem xét như các biến dự đoán trong bước tiếp theo. Trong Bước 2 của phân tích, các khác biệt cá nhân được thu được thông qua các mối quan hệ đáng kể giữa các biến khác nhau với các hiệu ứng cố định hoặc ngẫu nhiên. Bước 3 của phân tích dữ liệu, người ta quan sát thấy rằng khi chỉ sử dụng các biện pháp dự đoán cổ điển, các dự đoán chỉ có thể chiếm 13,8% của phương sai. Ngược lại, bằng cách thêm các biến nhận thức đáng kể, các dự đoán có thể chiếm 35,7% của phương sai.

Những kết quả này cho thấy rằng việc thêm một số biến nhạy cảm với mệt mỏi vào các mô hình dự đoán thông thường, chẳng hạn như các biện pháp CogniFit, có thể giúp chúng tôi dự đoán chính xác hơn khi hiệu suất sẽ bị ảnh hưởng bởi mệt mỏi. Biết thông tin này có thể rất hữu ích để ngăn ngừa tai nạn và thực hiện các biện pháp phòng ngừa trên cả máy bay quân sự và dân sự.