CogniFit - 睡眠不足に対する反応の個人差を予測：現在の技術の応用

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

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

• 1. Naval Medical Research Unit.

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

記事の引用（APA方式）:

• 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.

研究の結論

CogniFitは、疲労に面しているユーザーの個人パフォーマンスを予測するための非常に関連性の高い変数を測定できます。そして、疲労が様々な事故タイプで繰り返される変数であるため、軍のパイロットや一般市民の事故リスクを軽減するのに役立ちます。予測モデルにおける反応時間（p=0.009）、短期記憶（p=0.023）、分割的注意（p=0.026）、認知の柔軟性（p=0.002）などのいくつかの変数を含めると、 説明変数は13.8％から35.7％となります。

研究の概要

疲労は、軍事輸送中の安全にリスクを与える主な要因の1つです。疲労に対する反応を予測するモデルはありますが、疲労感度で個人差を考慮しないため、まだ十分正確ではありません。それに引き換え、CogniFitなどのツールで認知尺度を作成し、個人差を計る認知測定を行うと、これらのモデルの予測能力が向上する可能性があると示唆されています。

25時間徹夜している間に3時間ごとに休憩した被験者の異なる認知変数と眼精疲労の変数を測定した。（グループおよび個人点数が得られるように）加えて、実際のパフォーマンスと期待されるパフォーマンスを比較することも可能でした。測定の結果、既存モデルにこれらの尺度を加えると、説明変数が13.8％から35.7％になることを示しました。これは、CogniFitと他の尺度を用いて個人差を出すことで、疲労時のパフォーマンス予測が大幅に改善され、安全性が向上すると言えます。

背景

睡眠不足による疲労は、軍事輸送と民間輸送の両方において直面する主要なリスクの1つです。原則として、この問題に対する解決策は、適度な睡眠を取ること、もしくは薬に頼ることでしょう。しかし、これでは十分ではない時もあります。この多くは、その人のパフォーマンス予測や、適切な時に行動する個人能力を直接測定することで防ぐことができます。一方、この予測モデルは、それ自体に適度な効果があります。

このモデルの成功に関する相対的欠如は、すべての個人が概日リズムと類似した疲労に対する反応があるという仮定に起因し得ます。これらの分野において個人差は重要であると研究では指摘されています。疲労に対するこの反応を妨げる点の一つは、個人の認知機能です。

つまり、認知測定や眼精疲労測定などの個人差を考慮した測定値を含めると、予測モデルの効果が強まると期待されます。

方法

被験者

被験者は、ペンサコーラ海軍航空基地に配属されたNaval Aviation Preflight Indoctrination（API）プログラムの現役兵士15人（男性13人と女性2人、平均年齢24.7歳、21.5歳）でした。この研究に参加するためには、アルコール、カフェイン、タバコの摂取が制限され、神経障害、精神障害、睡眠関連の障害を有する者は免除されました。

過程

グループレベルと個人レベルの両方で、睡眠不足が認知・眼精疲労に与える影響を知るため、反復測定設計を適用しました。まず、ベースラインを記録し、睡眠不足時のデータを採取しました。

統計分析

分析は3つのステップで行われました。

• ステップ1：各試験で測定された各基準および予測変数のためにANOVAが用いられました。これにより、どの変数が時間によって変化を示したか推定されました。
• ステップ2：いつ疲労がパフォーマンスを低下させるのかを順番に予測するため、また、グループレベルでの分析で検出されなかった差異を発見するために、固定効果と変量効果を測る二変量線形モデルが用いられました。グループ効果（p<0.05）と、グループ効果内の個人差（0<0.05）が検出されました。その後、多変量線形モデルを用いて、どの予測変数が説明変数と統計レベルと概念レベルで関係を共有しているかを確認しました。
• ステップ3：前回ステップの重要な予測変数から一般線形モデルを作成し、これを用いて、認知および眼精疲労の要因を考慮に入れて、モデルの予測能力を知りたいと考えました。

結果と結論

データ分析のステップ1では、グループ効果が得られました。反応時間（p=0.009）、短期記憶（p=0.023）、分割的注意（p=0.026）、認知の柔軟性（p=0.002）において有意な効果が認められました。疲労では、これらの認知能力の低下が見られたため、次のステップにおいて予測変数として考慮されました。分析のステップ2では、固定効果または変量効果を用いた異なる変数間の有意な関係によって個人差が見られました。データ分析のステップ3では、従来の予測尺度のみが用いられた場合、予測変数は分散の13.8％しか説明できないことが観察されました。一方、有意な認知変数を加えることにより、予測変数は分散の35.7％を説明することができました。

これらの結果は、CogniFitで測定されたような標準的な予測モデルに疲労感の変数を加えることで、いつ疲労によってパフォーマンスが影響を受けるのかをより正確に予測するのに有用だと示しています。この情報を知ることで、事故を防ぎ、軍事・民間空域の両方で予防措置を取るのに非常に役立ちます。