CogniFit - Прогнозирование индивидуальных различий в реакции на потерю сна: применение современных методов

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

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

• 1. Naval Medical Research Unit.

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

Цитирование статьи (формат АПА):

• 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.

Заключение исследования

CogniFit ("КогниФит") может измерять релевантные показатели индивидуальной производительности пользователей для оценки усталости. Это может помочь снизить риск аварий среди гражданских и военных лётчиков, поскольку усталость является повторяющейся переменной при различных происшествиях. С учётом некоторых переменных в прогнозируемых моделях, таких как Время реакции (p=0.009), Кратковременная память (p=0.023), Распределённое внимание (p=0.026) или Когнитивная гибкость (p=0.002), процент объяснённой дисперсии увеличивается с 13,8% до 35,7%.

Резюме исследования

Усталость является одним из основных факторов риска при обеспечении безопасности военных транспортных средств. Разработан ряд моделей, прогнозирующих реакцию на усталость, однако они ещё недостаточно точны, поскольку не учитывают индивидуальные особенности, касающиеся чувствительности к усталости. Считается, что прогностическая способность этих моделей может быть улучшена с помощью когнитивных измерений с использованием таких инструментов, как CogniFit ("КогниФит"), а также инструментов для измерения окулометрических данных для выявления индивидуальных отличий.

Различные когнитивные и окулометрические показатели измерялись у отдохнувших участников исследования, а также каждые 3 часа в течение 25-часового бодрствования (были получены индивидуальные и групповые оценки). Кроме того, было произведено сравнение реальной и ожидаемой производительности. Результаты показали, что после добавления этих измерений к ранее существующим моделям, процент объяснённой дисперсии вырос с 13,8% до 35,7%. Это говорит о том, что при применении CogniFit ("КогниФит") и других мер для выявления индивидуальных отличий, можно значительно улучшить прогноз производительности при усталости, и, таким образом, повысить безопасность.

Контекст

Усталость из-за недосыпания является одним из основных рисков, связанных с безопасностью как военного, так и гражданского транспорта. Казалось бы, эту проблему можно решить, высыпаясь и/или применяя фармацевтические препараты. Тем не менее, зачастую этого недостаточно. Значительную часть этих рисков можно предупредить с помощью прогноза производительности человека или напрямую измеряя его способность действовать в определённый момент. С другой стороны, эта модель прогнозирования сама по себе обладает умеренной эффективностью.

Относительная неустойчивость этой модели может быть связана с тем, что не у всех людей одинаковые циркадные ритмы и реакция на усталость; более того, исследования указывают на то, что индивидуальные различия в этих сферах существенны. Одним из аспектов, влияющих на реакцию на усталость, является когнитивное функционирование человека.

Таким образом,при учёте данных, отражающих индивидуальные различия, таких, как когнитивные и окулометрические показатели, можно ожидать повышения эффективности прогностической модели.

Методология

Участники

Участники были отобраны среди 15 добровольцев из числа военного персонала, находящегося на действительной службе (13 мужчин и 2 женщины, средний возраст 24,7 и 21,5 лет соответственно) по программе Naval Aviation Preflight Indoctrination (API), предполётной подготовки морской авиации на борту тяжёлого крейсера "Пенсакола" военно-морских сил США. Для участия в исследовании был проведён контроль употребления алкоголя, кофеина и табака, кроме того, у участников не должно было быть неврологических и психиатрических проблем, а также проблем со сном.

Процедура проведения

Для определения влияния эффекта недосыпа на когнитивную и окулометрическую продуктивность, как на индивидуальном, так и групповом уровне, был применён метод повторных измерений.

Статистический анализ

Был проведён трёхшаговый анализ:

• Шаг 1: Реализован ряд дисперсионных анализов ANOVA для каждого критерия и предикторной переменной, измеренной в каждом испытании. Таким образом было определено, что переменные со временем демонстрируют изменения.
• Шаг 2: Реализована серия двумерных линейных иерархических моделей с фиксированными и случайными эффектами с целью обнаружить, когда из-за усталости снизится производительность и, в свою очередь, найти различия, не выявленные при анализе группы. Был определён групповой эффект (p<0,05) и индивидуальные различия внутри данного глобального эффекта (0<0,05). После этого была реализована линейная многомерная иерархическая модель, чтобы определить, какие предикторные переменные разделяют объяснительную дисперсию на статистическом уровне и соотношения на концептуальном уровне.
• Шаг 3: Реализован ряд общих линейных моделей на базе существенных предикторных переменных предыдушего шага. Цель - выявление прогностической способности модели с учётом когнитивных и окулометрических факторов.

Результаты и выводы

На Шаге 1 анализа данных были получены групповые эффекты. Наблюдались значительные эффекты во времени реакции (p=0.009), кратковременной памяти (p=0.023), распределённом внимании (p=0.026) и когнитивной гибкости (p=0.002). При усталости снижалась производительность указанных когнитивных способностей, поэтому они были учтены как предикторные переменные на следующем шаге. На Шаге 2 анализа были получены индивидуальные отличия с помощью выявления значительных соотношений между различными переменными со случайными или постоянными эффектами. На Шаге 3 анализа данных было отмечено, что при использовании классических инструментов прогнозирования, прогнозы могли объяснить только 13,8% дисперсии. И наоборот, при добавлении важных когнитивных переменных, прогнозы могли объяснить 35,7% дисперсии.

Эти результаты указывают на то, что добавление некоторых чувствительных к усталости переменных, таких, какие, например, измеряет CogniFit ("КогниФит"), к обычным прогностическим моделям, помогает с большей точностью спрогнозировать, когда из-за усталости может снизиться продуктивность. Эта информация может быть крайне полезна для предотвращения аварий и принятия мер предосторожности как в военной, так и гражданской сферах.