CogniFit - Previsão de diferenças individuais em resposta à falta de sono: aplicação de técnicas atuais

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

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

• 1. Naval Medical Research Unit.

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

Referências a este artigo (estilo 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. Aviation, Space, and Environmental Medicine, vol.84, pp.927-937.

Conclusão do estudo

CogniFit pode medir variáveis ​​altamente relevantes para prever o desempenho individual de fadiga do usuário. Isso pode ajudar a reduzir o risco de acidentes para pilotos militares e civis, já que o cansaço é uma variável recorrente em vários tipos de acidentes. Ao incluir algumas variáveis, como tempo de resposta (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 de variância explicada varia de 13,8% a 35,7%.

Resumo do estudo

A fadiga é um dos principais fatores que coloca a segurança em risco durante o transporte militar. Modelos que preveem a resposta à fadiga foram desenvolvidos, mas ainda não são precisos o bastante, já que não consideram as diferenças individuais na sensibilidade à fadiga. Em vez disso, houve propostas para que a capacidade preditiva desses modelos possa ser melhorada se as medições cognitivas fossem realizadas usando ferramentas como CogniFit e variáveis oculométricas para explicar as diferenças individuais.

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

Contexto

A fadiga por falta de sono é um dos principais riscos enfrentados no transporte militar e civil. Em princípio, a solução para esses problemas seria dormir bem e/ou recorrer a medicamentos. Contudo, às vezes isso não é suficiente. Muitos desses aspectos podem ser evitados prevendo o desempenho de uma pessoa ou medindo diretamente a capacidade de um indivíduo para agir no momento certo. Este modelo de previsão, por outro lado, tem uma eficácia moderada por si só.

A relativa falta de sucesso desse modelo pode ser porque ele pressupõe que todos os indivíduos têm um ritmo circadiano semelhante e respondem à fadiga, enquanto os estudos sugerem que as diferenças individuais nesses contextos são significativas. Alguns dos aspectos que interferem nessa resposta à fadiga são o funcionamento cognitivo de uma pessoa.

Portanto, um aumento na eficácia do modelo preditivo poderia ser esperado incluindo medidas que considerem diferenças individuais, como medidas cognitivas e oculométricas.

Metodologia

Participantes

Participaram 15 voluntários do programa de doutrinação de pré-voo de aviação naval (API), na Estação Aeronaval de Pensacola, uma base da marinha dos EUA (13 homens e 2 mulheres, com uma idade média de 24,7 e 21,5 anos) respectivamente). Para participar do estudo, o uso de álcool, cafeína e tabaco foi controlado, e os participantes não podiam ter problemas neurológicos, psiquiátricos ou relacionados ao sono.

Prodecimento

Um projeto de medidas repetidas foi aplicado para conhecer os efeitos da privação do sono no desempenho cognitivo e oculométrico, tanto no nível grupal como individual. Primeiro, a linha de base foi registrada e, em seguida, os dados foram coletados durante a privação do sono.

Análise estatística

A análise foi realizada em três etapas:

• Etapa 1: Uma série de análises de variância (ANOVA) foi realizada para cada critério e variável preditora medida em cada processo. Isso determinou quais variáveis ​​apresentaram mudanças ao longo do tempo.
• Etapa 2: Uma série de modelos hierárquicos lineares bivariados com efeitos fixos e aleatórios foi desenvolvida com o objetivo de prever quando a fadiga produziria um rendimento menor e, por sua vez, descobrir diferenças não detectadas no nível de análise do grupo. Um efeito de grupo (p<0,05) e diferenças individuais dentro desse efeito global (0<0,05) foram detectados. Em seguida, foi realizado um modelo linear multi-hierárquico multivariado para conhecer quais variáveis ​​preditoras compartilhavam a variância explanatória no nível estatístico e a relação no nível conceitual.
• Etapa 3: Uma série de modelos lineares gerais foi desenvolvida a partir das variáveis ​​preditoras significativas da etapa anterior. Assim, o objetivo foi conhecer a capacidade preditiva do modelo considerando fatores cognitivos e oculométricos .

Resultados e conclusões

Na primeira fase da análise dos dados, foram obtidos os resultados do grupo. Houve resultados significativos no tempo de resposta (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, de modo que foram consideradas como variáveis ​​preditivas na próxima etapa. Na segunda fase da análise, foram obtidos os resultados individuais através de relações significativas entre diferentes variáveis ​​com efeitos fixos ou aleatórios. Na terceira etapa da análise de dados, observou-se que, quando foram utilizadas apenas medidas clássicas de previsão, as previsões só representavam 13,8% da variância. Em contraste, adicionando variáveis ​​cognitivas significativas, as previsões poderiam representar 35,7% da variância.

Esses resultados indicam que adicionar algumas variáveis ​​sensíveis à fadiga aos modelos preditivos usuais, como as medidas de CogniFit, pode nos ajudar 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 de precaução em aviões militares e civis.