CogniFit - Prévision des différences individuelles dans la réponse à la perte de sommeil : application des techniques actuelles

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

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

• 1. Naval Medical Research Unit.

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

Citer cet article (format 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.

Conclusion de l'étude

CogniFit peut mesurer des variables très pertinentes pour prédire la performance individuelle des utilisateurs face à la fatigue. Cela peut contribuer à réduire le risque d'accidents chez les pilotes militaires et civils, car la fatigue est une variable récurrente dans divers types d'accidents. En incluant certaines variables, comme le temps de réaction (p=0,009), la mémoire à court terme (p=0,023), l'attention divisée (p=0,026) ou la flexibilité cognitive (p=0,002) dans les modèles prédictifs, le pourcentage de variance expliquée augmente, passant de 13,8 % à 35,7 %.

Résumé de l'étude

La fatigue est l'un des principaux facteurs mettant en danger la sécurité pendant le transport militaire. Des modèles ont été conçus pour prédire la réponse à la fatigue, mais ils ne sont pas encore assez précis, car ils ne tiennent pas compte des différences individuelles de sensibilité à la fatigue . À l'inverse, on pense que la capacité de prédiction de ces modèles pourrait être améliorée si les mesures cognitives étaient effectuées avec des outils tels que CogniFit et des outils oculométriques pour tenir compte des différences individuelles.

Différentes variables cognitives et oculométriques ont été mesurées avec les participants au repos. Les mesures ont été prises toutes les 3 heures durant un processus de 25 heures de veille (c'est ainsi que les scores du groupe et les scores individuels ont été obtenus). Il a également été possible de comparer la performance réelle avec la performance attendue. Les résultats indiquent qu'en ajoutant ces mesures aux modèles préexistants, ils sont passés de 13,8 % à 35,7 % de la variance . Cela signifie qu?en utilisant CogniFitet d'autres mesures pour détecter les différences individuelles, il est possible d'améliorer grandement la prédiction de la performance pendant la fatigue, et donc, améliorer la sécurité.

Contexte

La fatigue due au manque de sommeil est l'un des principaux risques auxquels il faut faire face, dans le transport militaire comme civil. En principe, la solution à ces problèmes serait de dormir suffisamment et/ou d'avoir recours à des médicaments. Cependant, cela ne suffit pas toujours. Une grande partie de ces problèmes peut être évitée en prédisant la performance d'une personne ou en mesurant directement la capacité de l'individu à agir au bon moment. Ce modèle de prévisiona , en revanche, une efficacité modérée en soi .

L'échec relatif de ce modèle peut être dû au fait qu'il suppose que tous les individus ont des rythmes circadiens et une réponse à la fatigue similaires, alors que les études suggèrent que les différences individuelles dans ces domaines sont significatives. Un des aspects qui interfère avec cette réponse à la fatigue est le fonctionnement cognitif de l'individu .

Pour autant, on pourrait s'attendre à une augmentation de l'efficacité du modèle prédictif si nous incluons des mesures qui tiennent compte des différences individuelles, comme les mesures cognitives et oculométriques.

Méthodologie

Participants

Les participants étaient 15 volontaires du personnel militaire en service actif(13 hommes et 2 femmes, âgés en moyenne de 24,7 et 21,5 ans respectivement) du programme Naval Aviation Preflight Indoctrination (API) à bord de la Naval Air Station Pensacola. Dans le cadre de l'étude, la consommation d'alcool, de caféine et de tabac a été contrôlée et les participants devaient être exempts de problèmes neurologiques, psychiatriques ou liés au sommeil.

Procédé

Un modèle de mesures répétées a été appliqué pour connaître les effets de la privation de sommeil sur les performances cognitives et oculométriques, tant au niveau du groupe qu'au niveau individuel. On a d'abord enregistré les données de base, puis les données ont été prises pendant la privation de sommeil.

Analyses et statistiques

L'analyse a été effectuée en trois étapes :

• strong>Étape 1 : Une série d'ANOVAs a été effectuée pour chaque critère et variable prédictive mesurée dans chaque essai. De cette façon, on a déterminé quelles étaient les variables qui montraient des changements dans le temps.
• Étape 2 : Une série de modèles bivariés hiérarchiques linéaires avec effets fixes et aléatoires a été réalisé afin de prédire quand la fatigue produirait une performance inférieure et, à la fois, de découvrir des différences non détectées dans l'analyse au niveau du groupe. Un effet de groupe (p<0,05) et des différences individuelles au sein de cet effet global (0<0,05) ont été détectés. Par la suite, un modèle linéaire hiérarchique multivarié a été créé afin de savoir quelles variables prédictrices partageaient la variance explicative au niveau statistique et la relation au niveau conceptuel .
• Étape 3 : une série de modèles linéaires généraux a été réalisée à partir des variables prédictrices significatives de l'étape précédente. L'objectif était de connaître la capacité prédictive du modèle en tenant compte des facteurs cognitifs et oculométriques.

Résultats et conclusions

Dans l'étape 1 de l'analyse des données, les effets de groupe ont été obtenus. On a observé des effets significatifs sur le temps de réaction (p=0,009), la mémoire à court terme (p=0,023), l'attention divisée (p=0,026) et la flexibilité cognitive (p=0,002). Avec la fatigue, il y a eu une réduction de la performance de ces capacités cognitives. Elles ont donc été prises en compte comme variables prédictrices pour l'étape suivante. Dans l'étape 2 de l'analyse, les différences individuelles ont été obtenues grâce à des relations significatives entre différentes variables à effets fixes ou aléatoires. Dans l'étape 3de l'analyse des données, on a observé qu'en utilisant seulement les mesures de prédiction classiques, les prédictions ne pouvaient expliquer que 13,8 % de la variance. En revanche, en ajoutant des variables cognitives significatives, les prédictions pouvaient expliquer 35,7 % de la variance .

Ces résultats indiquent que l'ajout de certaines variables sensibles à la fatigue aux modèles prédictifs courants, comme ceux mesurés par CogniFit, peut nous aider à prédire avec plus de précision quand la performance sera affectée par la fatigue . Connaître cette information peut être très utile pour prévenir les accidents et prendre des mesures de précaution dans les avions militaires et civils.