CogniFit - Πρόβλεψη των μεμονωμένων διαφορών ως απάντηση στην απώλεια του ύπνου: εφαρμογή των σύγχρονων τεχνικών

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

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

• 1. Naval Medical Research Unit.

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

Παραπομπή σε αυτό το άρθρο (μορφή 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.

Συμπέρασμα της μελέτης

Το CogniFit μπορεί να μετρήσει πολύ σημαντικές μεταβλητές για να προβλέψει την ατομική επίδοση των χρηστών κατά της κόπωσης. Αυτό μπορεί να βοηθήσει στη μείωση του κινδύνου των ατυχημάτων στους στρατιωτικούς ή πολιτικούς ναυτικούς, καθώς η κούραση είναι μια επαναλαμβανόμενη μεταβλήτη σε διάφορους τύπους ατυχημάτων.. Συμπεριλαμβάνονται ορισμένες μεταβλητές, όπως ο Χρόνος αντίδρασης (p=0.009), η Βραχυπρόθεσμη μνήμη (p=0.023), η Διάσπαση προσοχής (p=0.026) ή η Γνωστική ευελιξία (p=0.002) σε προβλέψιμα μοντέλα, με το ποσοστό πιθανότητας να κυμαίνεται μεταξύ 13,8% και 35,7%.

Σύνοψη της μελέτης

Η κόπωση είναι ένας από τους κύριους παράγοντες που θέτουν σε κίνδυνο την ασφάλεια των στρατιωτών κατά τη μεταφορά τους . Έχουν δημιουργηθεί μοντέλα τα οποία προβλέπουν την αντίδραση κατα της κόπωσης, όμως ακόμα δεν είναι επαρκώς ακριβή, καθώς δεν εξετάζουν μεμονωμένες διαφορές σχετικά με την ευαισθησία και την κόπωση. Αντίθετα, προτείνεται πως η ικανότητα πρόβλεψης αυτών των μοντέλων θα μπορούσε να βελτιωθεί αν λαμβάνονταν γνωστικά μέτρα με εργαλεία όπως το CogniFit και οπτικές μετρήσεις ώστε να υπολογίζονται μεμονωμένα οι διαφορές.

Μετρήθηκαν διαφορετικές γνωστικές και οφθαλμομετρικές μεταβολές σε ξεκούραστους συμμετέχοντες ανά 3 ώρες κατά τη διάρκεια 25 ωρών παρακολούθησης (με τέτοιο τρόπο ώστε να ληφθεί η βαθμολογία συνολικά και μεμονωμένα). Επιπλέον, μπόρεσε να γίνει σύγκριση μεταξύ της πραγματικής επίδοσης με την αναμενόμενη. Τα αποτελέσματα απέδειξαν πως, με την προσθήκη αυτών των μέτρων στα ήδη υπάρχοντα μοντέλα, εξήγησαν τη διακύμανση από το 13,8% στο 35,7%. Αυτό σημαίνει πως, χρησιμοποιώντας το CogniFit και άλλα μέτρα για τον εντοπισμό των μεμονωμένων διαφορών, μπορεί να βελτιωθεί θεαματικά η πρόβλεψη της επίδοσης κατά την κόπωση και, ως εκ τούτου, να βελτιωθεί και η ασφάλεια.

Γενικό πλαίσιο

Η κόπωση που οφείλεται στην έλλειψη ύπνου είναι ένας από τους βασικότερους κινδύνους που πρέπει να σταματήσουν τόσο κατά τη μεταφορά των στρατιωτών, όσο και κατά τη μεταφορά των πολιτών. Αρχικά, η λύση για αυτού του είδους προβλήματα θα ήταν ο επαρκής ύπνος και/ή λήψη φαρμάκων. Ωστόσο, σε περιπτώσεις, αυτό δεν είναι αρκετό. Μεγάλο μέρος αυτού του προβλήματος θα μπορούσε να αποτραπεί μέσω της πρόβλεψης της επίδοσης του ατόμου ή μετρώντας απευθείας την ικανότητα του ατόμου να αντιδράσει την κατάλληλη στιγμή. Αυτό το μοντέλο πρόβλεψης, αντίθετα, είναι μετρίως αποτελεσματικό από μόνο του .

Η σχετική έλλειψη επιτυχίας αυτού του μοντέλου μπορεί να οφείλεται στο ότι όλα τα άτομα έχουν κιρκαδιανούς ρυθμούς και μια παρόμοια αντίδραση ενάντια στην κόπωση; ενώ οι μελέτες σημειώνουν πως οι μεμονωμένες διαφορές σε αυτές τις περιοχές είναι σημαντικές. Κάποιες από αυτές τις πτυχές που παρεμβαίνουν σε αυτήν την αντίδραση κατά της κόπωσης είναι η γνωστική λειτουργία του ατόμου.

Γι' αυτό, θα μπορούσαμε να αναμένουμε μια αύξηση της αποτελεσματικότητας του μοντέλου πρόβλεψης αν συμπεριλάβουμε μέτρα τα οποία λαμβάνουν υπόψιν τις μεμονωμένες διαφορές, όπως τα γνωστικά και τα οφθαλομετρικά μέτρα.

Μεθοδολογία

Συμμετέχοντες

Οι συμμετέχοντες αποτελούνταν από 15 εθελοντές του στρατού (13 άντρες και 2 γυναίκες, ηλικίας περίπου 24,7 και 21,5 αντίστοιχα) του προγράμματος Naval Aviation Preflight Indoctrination (API) στο Naval Air Station Pensacola. Για να συμμετέχουν στη μελέτη, ελέγχθηκε η κατανάλωση αλκοόλ, καφεΐνης και καπνού. Επιπλέον, έπρεπε να μην αντιμετωπίζουν νευρολογικά, ψυχιατρικά προβλήματα ή προβλήματα που σχετίζονται με τον ύπνο.

Διαδικασία

Εφαρμόστηκε ένα σχέδιο επαναλαμβανόμενων μέτρων για να γνωρίσουμε τις επιδράσεις της στέρησης του ύπνου στη γνωστική και οφθαλμομετρική επίδοση, τόσο σε ομαδικό όσο και σε ατομικό επίπεδο. Αρχικά, ορίστηκε μια βασική γραμμή και αργότερα λήφθηκαν τα δεδομένα κατά τη διάρκεια της στέρησης ύπνου.

Στατιστική Ανάλυση

Η ανάλυση ολοκληρώθηκε σε τρια βήματα:

• Βήμα 1 : Πραγματοποιήθηκε μια σειρά ANOVA για κάθε κριτήριο και προβλέψιμη μεταβλητή σε κάθε δοκιμή. Με αυτόν τον τρόπο αποφασίστηκε ποιές μεταβλητές εμφανίζουν αλλαγές μέσω του χρόνου.
• Βήμα 2: Πραγματοποιήθηκε μια σειρά διμερών ιεραρχικών γραμμικών μοντέλων με σταθερά και τυχαία αποτελέσματα, με στόχο να προβλέψουν πότε η κόπωση θα προκαλέσει μειωμένη απόδοση, και στη συνέχεια, να ανακαλύψουν διαφορές που δεν είχαν εντοπιστεί στη ανάλυση του επιπέδου της ομάδας. Εντοπίστηκε μια ομαδική επίδραση (p<0,05) και μεμονωμένες διαφορές μέσα σε αυτήν την παγκόσμια επίδραση (0<0,05). Μετά από αυτό, πραγματοποιήθηκε ένα ποικιλόμορφο ιεραρχικό γραμμικό μοντέλο για να γνωρίσουμε ποιές προβλέψιμες μεταβλητές μοιράστηκαν μια επεξεγηματική διακύμανση σε στατιστικό επίπεδο και τη σχέση με το εννοιολογικό επίπεδο.
• Βήμα 3: Πραγματοποιήθηκε μια σειρά γενικών γραμμικών μοντέλων από τις σημαντικές προβλεπόμενες μεταβλητές του προηγούμενου βήματος. Με αυτό, επιδιώξαμε να γνωρίσουμε την προβλέψιμη ικανότητα του μοντέλου, λαμβάνοντας υπόψιν γνωστικούς και οφθαλμομετρικούς παράγοντες.

Αποτελέσματα και συμπεράσματα

Στο Βήμα 1 της ανάλυσης των δεδομένων, ελήφθησαν τα αποτελέσματα της ομάδας. Παρατηρήθηκε πως υπήρχαν σημαντικές επιδράσεις στον χρόνο αντίδρασης (p=0.009), στη βραχυπρόθεσμη μνήμη (p=0.023), στη διάσπαση προσοχής (p=0.026) και στη γνωστική ευελιξία (p=0.002). Με την κόπωση, μειώθηκε η επίδοση αυτών των γνωστικών ικανοτήτων, οπότε ελήφθησαν υπόψιν προβλέψιμες μεταβλητές για το επόμενο βήμα. Στο Βήμα 2 της ανάλυσης, ελήφθησαν οι μεμονωμένες διαφορές μέσω των σημαντικών σχέσεων μεταξύ των συγκεκριμένων μεταβλητών με σταθερά ή τυχαία αποτελέσματα. Στο βήμα 3 της ανάλυσης των δεδομένων, παρατηρήθηκε πως ενώ χρησιμοποιήθηκαν μόνο τα κλασικά μέτρα πρόβλεψης, οι προβλέψεις μπορούσαν να εξηγήσουν μόνο το 13,8% της διακύμανσης. Αντίθετα, προσθέτοντας τις σημαντικές γνωστικές μεταβλητές, οι προβλέψεις μπορούσαν να εξηγήσουν το 35,7% της διακύμανσης.

Αυτά τα αποτελέσματα υποδεικνύουν πως προσθέτοντας μερικές μεταβλητές που σχετίζονται με την κόπωση στα γνωστά προβλέψιμα μοντέλα, όπως αυτές που μετράει το CogniFit, μπορεί να μας βοηθήσει να προβλέψουμε με περισσότερη ακρίβεια πότε η επίδοσή μας θα μεταβληθεί εξαιτίας της κόπωσης. Γνωρίζοντας αυτή την πληροφορία μπορούμε να βοηθήσουμε στην πρόληψη των ατυχημάτων και στη λήψη προληπτικών μέτρων τόσο μέσα στον στρατό όσο και έξω από αυτόν.