CogniFit - חיזוי הבדלים אינדיבידואליים בתגובה לאובדן שינה: יישום טכניקות עדכניות

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

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

• 1. יחידת המחקר הרפואי של הצי.

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

הפניה למאמר זה (סגנון 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.

מסקנת המחקר

CogniFit מסוגלת למדוד משתנים רלוונטיים מאוד להערכה מוקדמת של ביצועי העייפות של משתמשים. זה יכול לעזור להפחית את הסיכוי לתאונה לטייסים צבאיים ואזרחיים, מכיוון שעייפות היא גורם שחוזר על עצמו בסוגים שונים של תאונות. . כולל כמה משתנים, כגון זמן תגובה (p=0.009), זיכרון לטווח קצר (p=0.023), פיצול קשב (p=0.026) או גמישות קוגנטיבית (p=0.002) במודלים להערכה מקדימה, האחוז של השונות המוסברת הוא 13.8% עד 35.7%.

סיכום המחקר

העייפות היא אחד הגורמים המרכזיים שמסכנים את הבטיחות בתחבורה הצבאית. נבנו מודלים החוזים את התגובה לעייפות, אבל עדיין לא מספיק מדויקים, מכיוון שלא לוקחים בחשבון את הרגישות האינדיבידואלית לעייפות. לכן, מוצע שהמאפיינים של ההערכה המקדימה של המודלים יכולים להשתפר עם כלים של מבדקים קוגנטיביים כמו CogniFit ותנועות עיניים ויוכלו להתחשב בהבדלים אינדיבידואליים.

משתנים קוגנטיבים ותנועות עין שונים נמדדו בקרב משתתפים שנחו היטב כל שלוש שעות למשך 25 שעות עירנות רצופה (כך שיש תוצאות קבוצתיות וגם אינדיבידואליות). ניתן היה גם להשוות ביצועים בפועל לביצועים מצופים. התוצאות הציגו שבהוספת מדידות אלה למודלים הקיימים, הם יכלו להסביר 35.7% במקום רק 13.8% מהשונות. המשמעות היא, ששימוש ב-CogniFit ומדידות נוספות להבדלים אינדיבידואליים, מביאים ליכולת חיזוי טובה יותר של ביצועים במהלך עייפות ובכך לשפר את הבטיחות.

הקשר

עייפות עקב חוסר שינה היא אחת הסיכונים המרכזיים בתחבורה אזרחית וצבאית. בעיקרון, הפתרון לזה יהיה לישון היטב ו/או שימוש בחומרים שונים. יחד עם זאת, לפעמים זה לא מספיק. חלק גדול מזה יכול להימנע על ידי חיזוי הביצועים של האדם או מדידה ישירה של האינדיבידואל לפעול בזמן הנכון. למודל החיזוי הזה, מצד שני, יש יכולות בינוניות בפני עצמו.

חוסר ההצלחה היחסית של המודל הזה יכול להיות עקב כך שהוא מניח שלכל אחד יש שעון ביולוגי יומי דומה ותגובה לעייפות, בעוד שמחקרים מציעים שהבדלים אינדיבידואליים במצבים אלה משמעותיים מאוד. חלק מהגורמים המפריעים לתגובה זו לעייפות הם היכולות הקוגנטיביות של האדם.

לכן, עליה ביעילות ההערכה המקדימה של המודל תתקיים ככל הנראה אם נכלול מדידות הכוללות הבדלים אינדיבידואליים, כגון מדידות קוגנטיביות או תנועות עיניים.

מתודולוגיה

משתתפים

המשתתפים הם 15 מתנדבים מתכנית האינדוקרינציה הטרום תעופתית של צי ארה"ב (API) בתחנת הצי האוירי פנסקולה, משרתים כאנשי צבא (13 גברים ו-2 נשים, עם גיל ממוצע של 24.7 ו-21.5 בהתאמה). על מנת להשתתף במחקר, השימוש באלכוהול, קפאין וטבק היו בבקרה, והם היו חייבים להיות נקיים מבעיות נוירולוגיות, פסיכיאטריות או הקשורות לשינה.

פרוצדורה

תכנית למדידות חוזרות הופעלה על מנת ללמוד אודות ההשפעות של חוסר שינה על פעילות קוגנטיבית ושל תנועת עיניים, ברמת הקבוצה והאינדיבידואל. ראשית, מצב ההתחלה תועד ואז המידע נאסף תוך כדי מניעת השינה.

ניתוח סטטיסטי

ניתוח הנתונים בוצע בשלושה שלבים:

• שלב 1: סדרה של ANOVA בוצעה לכל קריטריון ולכל משתנה צפי הנמדד בכל מבדק. זה קבע אילו משתנים השתנו לאורך הזמן.
• שלב 2: סדרה של מודלים היררכים דו-ווריאנטים ליניאריים עם השפעות קבועות ואקראיות בוצעו עם המטרה לחזות מתי עייפות תגרום לביצוע מופחת וגם, לגלות הבדלים שלא התגלו ברמת ניתוח נתוני הקבוצה. אפקט של הקבוצה (p<0.05) והבדלים אינדיבידואליים הנכללים בהשפעה הכוללת (0<0.05) התגלו. כתוצאה מכך, מודל רב משתנים ורב מימדים בוצע לגילוי איזה משתנה חיזוי היה בשונות המוסברת ברמה הסטטיסטית עם קשר קונספטואלי.
• שלב 3: בוצעה סדרה של מודלים ליניאריים ממשתני הצפי המרכזיים מהשלב הקודם. לכן, המטרה הייתה לדעת מהי יכולת החיזוי של המודל תוך התחשבות בגורמים קוגנטיביים ותנועת עיניים.

תוצאות ומסקנות

בשלב 1 של ניתוח התוצאות, השפעות הקבוצה נקבעו. נמצא כי היו השפעות מובהקות על זמן התגובה (p=0.009), זיכרון לטווח קצר (p=0.023), חלוקת קשב (p=0.026) וגמישות קוגנטיבית (p=0.002). במצב עייפות הייתה הדרדרות בביצוע של יכולות קוגנטיביות אלה, אז הן נקלחו כמשתני צפי בשלב הבא. בשלב 2 של ניתוח התוצאות, ההבדלים האינדיבידואליים נקבעו דרך יחס מובהק בין משתנים עם השפעות קבועות או אקראיות. שלב 3 של ניתוח התוצאות, נצפה כי כאשר השתמשנו בהערכות מקדימות קלאסיות, הן חזו רק 13.8% מהשונות. בניגוד לכך, בהוספת משתנים קוגנטיביים משמעותיים, ההערכות חזו 35.7% מהשונות.

תוצאות אלה מלמדות שהוספת משתנים רגישים לעייפות למודלי החיזוי הרגילים, כגון הערכות CogniFit, יכולה לעזור לנו לחזות באופן יותר מדויק מתי הביצוע יושפע מעייפות. ידיעת המידע הזה עשויה להיות מועילה מאוד במניעת תאונות וביצוע פעולות מנע מקדימות בטיסות צבאיות ואזרחיות.