Escolha sua plataforma e compre
Tente um mês grátis de carga com 10 licenças.
Para que vai servir a conta?
Bem-vindo à CogniFit! Bem-vindo à CogniFit para pesquisadores! CogniFit Healthcare Impulsione seu negócio com CogniFit ! CogniFit Employee Wellbeing

Cadastre-se aqui se você não tiver seu celular em mãos

Você vai criar uma conta de gerenciamento de pacientes. Essa conta foi criada para ajudar os profissionais de saúde (médicos, psicólogos...) no diagnóstico e na estimulação cognitiva.

Vai criar uma conta de pesquisa. Esta conta foi especialmente elaborada para auxiliar pesquisadores nos seus estudos nas áreas cognitivas.

Vai criar uma conta de gestão de alunos. Esta conta foi pensada para ajudar a diagnosticar e intervir em distúrbios cognitivos em crianças e jovens estudantes.

Vai criar uma conta familiar. Esta conta foi pensada para dar acesso a avaliações e treino CogniFit para os seus familiares.

Você vai criar uma conta de gerenciamento da empresa. Esta conta foi criada para dar aos seus funcionários acesso às avaliações e treinamentos da CogniFit.

Vai criar uma conta pessoal. Esse tipo de conta foi desenhado para ajudá-lo a testar e treinar as suas habilidades cognitivas.

Você vai criar uma conta de gerenciamento de pacientes. Essa conta foi criada para ajudar os profissionais de saúde (médicos, psicólogos...) no diagnóstico e na estimulação cognitiva.

Vai criar uma conta familiar. Esta conta foi pensada para dar acesso a avaliações e treino CogniFit para os seus familiares.

Vai criar uma conta de pesquisa. Esta conta foi especialmente elaborada para auxiliar pesquisadores nos seus estudos nas áreas cognitivas.

Vai criar uma conta de gestão de alunos. Esta conta foi pensada para ajudar a diagnosticar e intervir em distúrbios cognitivos em crianças e jovens estudantes.

Você vai criar uma conta de gerenciamento da empresa. Esta conta foi criada para dar aos seus funcionários acesso às avaliações e treinamentos da CogniFit.

Você criará uma conta de desenvolvedor. Esta conta foi projetada para integrar os produtos CogniFit em sua empresa.

loading

Para o seu próprio uso (a partir dos 16 anos). As crianças menores de 16 anos podem usar a plataforma CogniFit para Famílias.

Ao se registrar e usar CogniFit, você aceita que leu, entendeu e que está de acordo com as de Uso e a de Privacidade de CogniFit.

Digitalize o QR abaixo com seu telefone para registrar-se através de nosso aplicativo móvel para maior comodidade e acesso em qualquer lugar!

Melhore a sua experiência!

Se você não tem seu celular em mãos cadastre-se aqui

Para disfrutar de uma boa experiência neste dispositivo faça download da nossa App.

Huawei App Gallery

Se você não tem seu celular em mãos cadastre-se aqui

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

Previsão de diferenças individuais em resposta à perda de sono: aplicação de técnicas actuais

Publicação científica sobre a avaliação cognitiva da fadiga dos pilotos

Esta página é apenas informativa. Não vendemos nenhum producto que trate doenças. Os produtos da CogniFit para o tratamento de doenças estão actualmente em validação. Se estiver interessado, visite Plataforma de pesquisa CogniFit
  • Gere de forma conveniente as investigações de pacientes da plataforma para pesquisadores

  • Avalia e treina até 23 habilidades cognitivas para os participantes do seu estudo

  • Verifica e compara a evolução cognitiva dos participantes para os dados do seu estudo

Começar Agora
loading

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

Autores : Joseph F. Chandler 1, Richard D. Arnold 1, Jeffrey B. Phillips 1, Ashley E. Turnmire1.

  • 1. Unidade de pesquisa médica naval.

Revista : Aviação, Medicina Espacial e Ambiental (2013), vol. 84 (9): 927-937.

Cita este artigo (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.

Conclusão do estudo

A CogniFit pode medir variáveis ​​muito relevantes para prever o desempenho individual dos usuários perante a fadiga. Isso pode ajudar a reduzir o risco de acidentes com pilotos militares e civis, uma vez que a fadiga é uma variável recorrente em vários tipos de acidentes. . Incluindo algumas variáveis, como o tempo de reação (p = 0,009), memória de curto prazo (p = 0,023), atenção dividida (p = 0,026) ou flexibilidade cognitiva (p = 0,002) nos modelos preditivos, a porcentagem A variança explicada passa de 13,8% para 35,7%.

Resumo do estudo

A fadiga é um dos principais fatores que colocam a segurança em risco durante o transporte militar . Modelos que predizem a resposta à fadiga foram feitos, mas ainda não são suficientemente precisos, pois não contemplam diferenças individuais em termos de sensibilidade à fadiga. Em vez disso, propõe-se que a capacidade preditiva desses modelos possam ser melhoradas se se realizam medidas cognitivas com ferramentas como a CogniFit e oculométricas para contar com diferenças individuais.

As diferentes variáveis ​​cognitivas e oculométricas foram medidas com os participantes em repouso e a cada 3 horas durante um processo de vigília de 25 horas (de modo que obtiveram as pontuações de grupo e individual). Também foi possível comparar o desempenho real com o desempenho esperado. Os resultados indicaram que, ao adicionar essas medidas aos modelos pré-existentes, eles foram de explicar 13,8% a 35,7% da variância . Isso significa que, usando CogniFit e outras medidas para detectar diferenças individuais, podem melhorar significativamente a previsão de desempenho durante a fadiga e, portanto, melhorar a segurança .

Contexto

A fadiga devido à falta de sono é um dos principais riscos que têm de enfrentar tanto no transporte militar como no transporte civil. Em princípio, a solução para esses problemas seria dormir adequadamente e / ou recorrer a drogas . No entanto, às vezes isso não é suficiente. Grande parte disso pode ser prevenida através da previsão do desempenho de uma pessoa ou pela medição direta da habilidade do indivíduo em agir no momento certo. Este modelo de predição , por outro lado, tem uma eficácia moderada por si só .

A relativa falta de sucesso deste modelo pode ser devido a dá por certo que todos os indivíduos têm ritmos circadianos e uma resposta similar à fadiga; enquanto os estudos apontam que as diferenças individuais nessas áreas são significativas. Alguns dos aspectos que interferem nesta resposta à fadiga são o funcionamento cognitivo do indivíduo .

Portanto, esperamos um aumento na eficácia do modelo preditivo se incluíssemos medidas que levem em consideração diferenças individuais, como medidas cognitivas e oculométricas.

Metodologia

Participantes

Os participantes consistiram em 15 voluntários do pessoal militar em serviço ativo (13 homens e 2 mulheres, com idade média de 24,7 anos e 21,5 anos, respectivamente) do programa Naval Aviation Preocerving Adoctrination (API) a bordo da Naval Air Station Pensacola. Para participar do estudo, o consumo de álcool, cafeína e tabaco foi controlado, além de estarem isentos de problemas neurológicos, psiquiátricos ou relacionados ao sono.

Procedimento

Um design de medidas repetidas foi aplicado para conhecer os efeitos da privação do sono no desempenho cognitivo e oculométrico, tanto a nível do grupo quanto ao nível individual. Primeiro, a linha de base foi gravada e, em seguida, os dados foram recolhidos durante a privação do sono.

Análise estatística

A análise foi realizada em três etapas :

  • Etapa 1 : uma série de ANOVAs foi realizada para cada critério e variável preditora medida em cada teste. Desta forma, determinamos quais as variáveis que ​​apresentaram mudanças ao longo do tempo .
  • Etapa 2 : uma série de modelos lineares bivariados com efeitos fixos foi realizada e randomizados para prever quando a fadiga produzirá um menor rendimento e, por sua vez, descobriria diferenças não detectadas na análise ao nível do grupo. Um efeito de grupo foi detectado (p <0,05) e diferenças individuais nesse efeito geral (0 <0,05). Depois disso, um modelo hierárquico multivariado linear foi realizado para saber quais as variáveis ​​preditivas que compararam a variância explicativa no nível estatístico e a relação conceitual .
  • Etapa 3 : Uma série de modelos lineares gerais foi feita a partir das variáveis ​​predictoras significativas do passo anterior. Com isso, buscamos conhecer a capacidade preditiva do modelo tendo em consideração fatores cognitivos e oculométricos .

Resultados e conclusões

Na Etapa 1 da análise de dados, foram obtidos os efeitos de grupo. Observou-se que houve efeitos significativos no tempo de reação (p = 0,009), na memória de curto prazo (p = 0,023), na atenção dividida (p = 0,026) e na flexibilidade cognitiva (p = 0,002). Com a fadiga, houve uma redução no desempenho dessas habilidades cognitivas, portanto foram levadas em consideração como variáveis ​​preditoras no próximo passo. No Passo 2 da análise, as diferenças individuais foram obtidas através das relações significativas entre diferentes variáveis ​​com efeitos fixos ou aleatórios. No passo 3 da análise de dados, observou-se que quando apenas as medidas clássicas de predição foram usadas, as previsões só poderiam explicar 13,8% da variância. Em contraste, adicionando variáveis ​​cognitivas significativas, as previsões poderiam explicar 35,7% da variância .

Esses resultados indicam que a adição de algumas variáveis ​​sensíveis à fadiga aos modelos preditivos usuais, como as que mede a CogniFit, pode ajudar-nos a prever com mais precisão quando o desempenho será afetado pela fadiga . Conhecer esta informação pode ser muito útil para prevenir acidentes e tomar medidas cautelares nos espaços aéreos militares e civis.

Por favor, escreva o seu endereço de e-mail