Selecteer je platform en koop
Probeer een maand gratis met 10 licenties.
Waar is het account voor?
Welkom bij CogniFit! Welkom bij CogniFit Onderzoek! CogniFit Healthcare Boost Je Bedrijf Met CogniFit! CogniFit Employee Wellbeing

Je gaat nu een persoonlijk account aanmaken. Dit type account is speciaal ontworpen om te helpen bij het evalueren en trainen van je cognitieve vaardigheden.

Je gaat nu een patiënt management account aanmaken. Deze account is ontworpen om patiënten toegang te geven tot CogniFit evaluaties en trainingen.

Je gaat nu een familie account aanmaken. Dit account is bedoeld om je gezinsleden toegang te geven tot CogniFit evaluaties en trainingen.

Je gaat nu een onderzoeksaccount aanmaken. Deze account is speciaal ontworpen om onderzoekers te helpen met hun studies in de cognitieve gebieden.

Je gaat nu een studenten management account aanmaken. Deze account is ontworpen om je studenten toegang te geven tot CogniFit evaluaties en trainingen.

Je gaat een bedrijfsmanagement account aanmaken. Deze account is bedoeld om je werknemers toegang te geven tot CogniFit beoordelingen en trainingen.

Je gaat een developers account aanmaken. Deze account is ontworpen om de producten van CogniFit te integreren binnen je bedrijf.

loading

Voor gebruikers van 16 jaar en ouder. Kinderen onder de 16 kunnen CogniFit gebruiken met een ouder op een van de familieplatforms.

Door te klikken op Inschrijven of door het gebruik van CogniFit, geeft u aan dat u heeft gelezen, begrepen en akkoord gaat met CogniFit's Voorwaarden en Beleid. L.NL.SM.01.2013.0222

Scan de onderstaande QR met je telefoon om je te registreren via onze mobiele app voor het ultieme gemak en toegang terwijl je onderweg bent!

Versterk je ervaring!

Als je je mobiel niet bij de hand hebt, meld je dan hier aan

Download onze app voor een prettige ervaring op dit apparaat

Huawei App Gallery

Als je je mobiel niet bij de hand hebt, meld je dan hier aan

corporativelanding_STUDY-FATIGUE-ASSESS-NAVY-PILOTS_social_picture

Voorspellen van individuele verschillen in reactie op slaaptekort: toepassing van huidige technieken

Wetenschappelijke publicatie over cognitieve evaluatie van piloten vermoeidheid

Deze pagina is alleen voor informatiedoeleinden. We verkopen geen producten die aandoeningen behandelen. CogniFit's producten voor de behandeling van aandoeningen ondergaan momenteel een validatieproces. Mocht je geïnteresseerd zijn, bezoek dan het CogniFit Onderzoeksplatform
  • Gemakkelijk onderzoekspatiënten beheren vanaf het onderzoekersplatform

  • Evalueren en trainen van maximaal 23 cognitieve vaardigheden voor uw studiedeelnemers

  • Controleren en vergelijken van de cognitieve ontwikkeling van de deelnemers voor uw studiegegevens

Start Nu
loading

Originele naam: 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.

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

Verwijzingen naar dit artikel (APA-stijl):

  • 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.

Conclusie van de studie

CogniFit kan zeer relevante variabelen meten om prestaties bij vermoeidheid van individuele gebruikers te voorspellen. Dit kan het risico van ongevallen voor militaire piloten en burgers helpen verminderen, aangezien vermoeidheid een terugkerende variabele bij verschillende soorten ongevallen is. Met inbegrip van sommige variabelen, zoals responstijd (p = 0.009), korte-termijn geheugen (p = 0.023), verdeelde aandacht (p = 0.026) of cognitieve flexibiliteit (p = 0.002) in voorspellende modellen, gaat het percentage van toegelichte variantie van 13,8% naar 35,7%.

Onderzoekssamenvatting

Vermoeidheid is een van de belangrijkste factoren die de veiligheid in gevaar brengt tijdens militair transport. Er zijn modellen gemaakt die de reactie op vermoeidheid voorspellen, maar deze zijn nog niet voldoende nauwkeurig, omdat ze geen rekening houden met de individuele verschillen in vermoeidheid gevoeligheid. In plaats daarvan wordt voorgesteld dat de voorspellende capaciteit van deze modellen kan worden verbeterd als cognitieve metingen werden uitgevoerd met behulp van tools zoals CogniFit en oculometrie om rekening te houden met individuele verschillen.

De verschillende cognitieve en oculometrische variabelen werden gemeten bij uitgeruste deelnemers en om de 3 uur tijdens een 25-uurs waakzaamheid proces (zodat groeps- en individuele scores werden verkregen). Het was ook mogelijk om de werkelijke prestaties te vergelijken met de verwachte prestaties. De resultaten gaven aan dat door deze maatregelen aan de reeds bestaande modellen toe te voegen, zij van het verklaren 13,8% naar 35,7% van het verschil gingen. Dit betekent dat het gebruik van CogniFit en andere maatregelen om individuele verschillen te detecteren, sterk de voorspelling kan verbeteren van de prestaties tijdens vermoeidheid en dus de veiligheid.

Context

Vermoeidheid als gevolg van gebrek aan slaap is een van de belangrijkste risico's die zij lopen bij zowel militair als civiel vervoer. In principe zou de oplossing voor deze problemen zijn het goed slapen en/of toevlucht nemen tot medicijnen. Maar soms is dit niet genoeg. Veel hiervan kan worden voorkomen door het voorspellen van de prestaties van een persoon of het rechtstreeks meten van de vaardigheid van een individu om te handelen op het juiste moment. Dit voorspellingsmodel heeft aan de andere kant een matige effectiviteit op zichzelf.

Het relatieve gebrek aan succes van dit model kan te wijten zijn aan dat het veronderstelt dat alle individuen een vergelijkbaar dagritme en reactie op vermoeidheid hebben, terwijl de studies erop wijzen dat de individuele verschillen in deze settings significant zijn. Sommige van de aspecten die interfereren met deze reactie op vermoeidheid zijn het cognitieve functioneren van een persoon.

Daarom zou een verhoging van de effectiviteit van het voorspellende model kunnen worden verwacht als we maatregelen toevoegen die rekening houden met individuele verschillen, zoals cognitieve en oculometrische maatregelen.

Methodologie

Deelnemers

De deelnemers bestonden uit 15 vrijwilligers van het Naval Aviation Preflight Indoctrinatie (API) programma op het Naval Air Station Pensacola, militair personeel (13 mannen en 2 vrouwen, met een gemiddelde leeftijd van 24,7 en 21,5 jaar respectievelijk). Om deel te nemen aan de studie werden alcohol, cafeïne, en het gebruik van tabak gecontroleerd, en ze mochten geen neurologische, psychiatrische, of slaap-gerelateerde problemen hebben

Procedure

Een ontwerp van herhaalde maatregelen werd toegepast om te leren over de effecten van slaaptekort op cognitieve en oculometrische prestaties, zowel op groeps- als op individuele niveaus. Eerst, werd de basislijn geregistreerd en toen werden de gegevens genomen tijdens gebrek aan slaap.

Statistische analyse

De analyse werd uitgevoerd in drie stappen:

  • Stap 1: Een reeks van ANOVA‘s werd uitgevoerd voor elk criterium en voorspeller variabele gemeten in elke proef. Dit bepaalde welke variabelen veranderingen in tijd toonden.
  • Stap 2: Een reeks van bivariate lineaire hiërarchische modellen met vaste en willekeurige effecten werden uitgevoerd met het doel te voorspellen wanneer vermoeidheid een lagere opbrengst zou produceren en, op zijn beurt, onopgemerkte verschillen in de groep analyseniveau zou ontdekken. Een groepseffect (p<0.05) en individuele verschillen binnen dat totale effect(0<0.05) werden gedetecteerd. Hierna werd een multivariate multi-hiërarchisch lineair model uitgevoerd om te weten welke voorspeller variabelen verklarende variantie deelden op het statistisch niveau en de relatie op het conceptuele.
  • Stap 3: Een reeks van algemene lineaire modellen werd gemaakt van de significante voorspeller variabelen van de vorige stap. Het doel was dus om de voorspellende capaciteit van het model te kennen door rekening te houden met cognitieve en oculometrische factoren.

Resultaten en conclusies

In stap 1 van de gegevensanalyse werden de effecten van de groep verkregen. Er werd geconstateerd dat er significante effecten waren op de responstijd (p = 0.009), korte-termijn geheugen (p = 0.023), verdeelde aandacht (p = 0.026) en cognitieve flexibiliteit (p = 0.002). Met vermoeidheid was er een vermindering van de prestaties van deze cognitieve vaardigheden, zodat ze in aanmerking werden genomen als voorspellende variabelen in de volgende stap. In stap 2 van de analyse werden de individuele verschillen verkregen door significante relaties tussen verschillende variabelen met vaste of willekeurige effecten. In stap 3 van data-analyse werd opgemerkt dat wanneer alleen klassieke voorspellingsmaatregelen werden gebruikt, voorspellingen alleen goed waren voor 13,8% van de variantie. Daarentegen konden, door het toevoegen van significante cognitieve variabelen, voorspellingen goed zijn voor 35,7% van de variantie.

Deze resultaten geven aan dat het toevoegen van enkele vermoeidheid-gevoelige variabelen aan de gebruikelijke voorspellende modellen, zoals CogniFit maatregelen, ons kan helpen nauwkeuriger te voorspellen wanneer de prestaties worden beïnvloed door vermoeidheid. Het kennen van deze informatie kan zeer nuttig zijn om ongelukken te voorkomen en preventieve maatregelen te nemen in zowel militaire als civiele vliegtuigen.

Voer je email adres in