CogniFit - Pronosticare le differenze individuali nella risposta alla perdita di sonno: applicazione delle tecniche attuali

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

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

• 1. Naval Medical Research Unit.

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

Cita questo articolo (formato 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.

Conclusioni dello studio

CogniFit può misurare variabili molto rilevanti per prevedere il rendimento individuale degli utenti di fronte alla fatica. Ciò può aiutare a ridurre il rischio di incidenti connessi ai voli militari e civili, poiché la fatica è una variabile ricorrente in vari tipi di incidenti.. Includendo alcune variabili, come il Tempo di reazione (p=0.009), la Memoria a breve termine (p=0.023), l'Attenzione divisa (p=0.026) o la Flessibilità cognitiva (p=0.002) nei modelli predittivi, la percentuale della varianza spiegata va dal 13,8% al 35,7%.

Sintesi dello studio

L' affaticamento è uno dei principali fattori che mette a rischio la sicurezza durante il trasporto militare. Ci sono modelli che predicono la risposta all'affaticamento, ma ancora non sono sufficientemente precisi, in quanto non comprendono le differenze individuali in termini di sensibilità alla fatica. Invece, si crede che la capacità predittiva di questi modelli potrebbe migliorare se si realizzassero misure cognitive con strumenti come CogniFit e l'oculometria per contare sulle differenze individuali.

Le diverse variabili cognitive e oculometriche sono state misurate con i partecipanti riposati e ogni 3 ore durante un processo di veglia di 25 ore (in modo da ottenere i punteggi di gruppo e individuali).È stato anche possibile confrontare la prestazione reale con le prestazioni previste. I risultati indicano che, quando si aggiungono queste misure ai modelli preesistenti, sono passati da una spiegazione del 13,8% al 35,7% della varianza . Ciò significa che, utilizzando CogniFit e altre misure per rilevare le differenze individuali, può migliorare notevolmente la previsione delle prestazioni durante la fatica e, quindi, migliorare la sicurezza .

Contesto

L'affaticamento dovuto alla mancanza di sonno è uno dei principali rischi a cui devono far fronte sia il trasporto militare che quello civile, la soluzione a questi problemi sarebbe quella di dormire correttamente e/o ricorrere a farmaci. Tuttavia, a volte questo non è sufficiente. Gran parte di questo si può prevenire attraverso la previsione del rendimento di una persona o misurando direttamente le capacità dell'individuo di agire nel momento adeguato. Questo modello di previsione, invece, se usato solo ha un'efficacia moderata.

Il mancato esito di questo modello può essere dovuto al fatto che gli individui hanno dei ritmi circadiani e una risposta simile di fronte alla fatica.

Pertanto, prevediamo un aumento dell'efficacia del modello predittivo se includiamo misure che tengano conto delle differenze individuali, come le misurazioni cognitive e oculometriche.

Metodologia

Partecipanti

I partecipanti erano 15 volontari del personale militare in servizio attivo (13 uomini e 2 donne, con età media di 24,7 anni e 21,5 anni rispettivamente) del programma Navale a bordo della Navale Aviation Preflight Indoctrination (API) a bordo della Naval Air Station Pensacola. Per partecipare allo studio fu controllato il consumo di alcol, caffeina e tabacco, inoltre dovevano essere esenti da problemi neurologici, psichiatrici o legati al sonno.

Procedimento

Fu applicato un disegno a misure ripetute per conoscere gli effetti della deprivazione del sonno sulle prestazioni cognitive e oculometriche, sia a livello di gruppo che a livello individuale. Prima è stata registrata la linea di base e successivamente furono presi i dati durante la privazione del sonno.

Analisi statistiche

L'analisi è stata effettuata in tre passaggi:

• Passaggio 1: Una serie di ANOVA fu condotta per ciascuna criterio e variabile predittore misurata in ciascuna prova. Così fu determinato quali variabili mostrarono cambiamenti nel corso del tempo.
• Passaggio 2: Si realizzò una serie di modelli lineari gerarchici bivariati con effetto fisso e randomizzati con l'obbiettivo di prevedere quando la fatica avrebbe prodotto una resa inferiore e, a sua volta, scoprire differenze non rilevate nell'analisi a livello di gruppo. Fu rilevato un effetto di gruppo (p <0,05) e differenze individuali all'interno di questo effetto complessivo (0 <0,05). Successivamente, fu realizzato un modello lineare gerarchico multivariato per conoscere quali variabili predittore condividevano varianza esplicativa a livello statistico e relazione al livello concettuale.
• Passaggio 3 : Si realizzò una serie di modelli lineari generali ricavata dalle variabili predittive significative del passaggio precedente. Con questo, si cercava di conoscere la capacità predittiva del modello prendendo in considerazione i fattori cognitivi e oculometrici.

Risultati e conclusioni

Nel Passo 1 dell’analisi dei dati, si ottennero gli effetti del gruppo. Si osservò che ci furono effetti significativi nel tempo di reazione (p=0.009), nella memoria a breve termine (p=0.023), nell’attenzione divisa (p=0.026) e nella flessibilità cognitiva (p=0.002). Con la fatica, si produceva una riduzione del rendimento di queste capacità cognitive, pertanto furono presi in considerazione come variabili predittive nel passo successivo. Nel Passo 2 dell’analisi, si ottennero le differenze individuali attraverso le relazioni significative tra distinte variabili con effetti fissi e aleatori. Nel passo 3aggiungendo le variabili cognitive significative, le previsioni potevano spiegare un 35,7% della varianza.

Questi risultati indicano che aggiungere alcune variabili sensibili alla fatica ai modelli predittivi standard, come quelli misurati da CogniFit, può aiutarci a prevedere con maggiore precisione quando le prestazioni saranno influenzate dalla fatica . Conoscere queste informazioni può essere molto utile per prevenire incidenti e adottare misure precauzionali negli aerei sia in ambito militare che civile.