ISSN : 0095-6562
DOI : http://dx.doi.org/10.3357/ASEM.3581.2013
Tome 84 , Numéro 9 , pages 927 – 937
Réimpression et copyright © par l’Aerospace Medical Association, Alexandria, VA.
Aller à la rubrique…

Prédire les différences individuelles de réponse à la perte de sommeil : application des techniques actuelles
Joseph F. Chandler; Richard D. Arnold; Jeffrey B. Phillips; Ashley E. Turnmire
De l’unité de recherche médicale navale – Dayton, Dayton, OH.
Adressez la correspondance et les demandes de réimpression à : Joseph F. Chandler, Ph.D., NAMRU – Dayton, 2624 Q Street, Building 851, Area B, WPAFB, OH 45433-7955 ; jchandle@bsc.edu .

ABSTRAITAller à la rubrique…

Chandler JF, Arnold RD, Phillips JB, Turnmire AE. Prédire les différences individuelles en réponse à la perte de sommeil : application des techniques actuelles. Aviat Space Environ Med 2013 ; 84:927–37

Arrière-plan:L’impact négatif de la fatigue sur la sécurité représente l’une des principales menaces pour le transport militaire. Des modèles biomathématiques ont été développés pour prédire la réponse à la fatigue ; cependant, les modèles actuels ne tiennent pas compte des différences individuelles stables de sensibilité à la fatigue. Les outils de dépistage de la préparation (RST) peuvent capturer les différences individuelles dans la réponse à la fatigue, mais ne peuvent pas prédire les performances à long terme. L’objectif de cette étude était de combiner un modèle biomathématique existant de la fatigue avec des mesures dérivées de RST existantes pour déterminer la capacité actuelle à prédire les différences individuelles dans la réponse à la fatigue. Nous avons émis l’hypothèse que la capacité prédictive du modèle biomathématique pourrait être considérablement améliorée en incorporant des mesures cognitives et oculométriques qui se sont révélées sensibles aux différences individuelles de réponse à la fatigue.Méthodes : Les données sur plusieurs mesures cognitives et oculométriques ont été recueillies au repos, puis toutes les 3 h pendant 25 h d’éveil continu. Les résultats ont caractérisé les performances réelles de fatigue au niveau du groupe et de l’individu. Les performances réelles ont été comparées aux baisses de performances prévues sur la même période. La variance unique expliquée par chaque approche a ensuite été combinée pour déterminer si les mesures de différences individuelles dérivées de RST ajoutaient un pouvoir prédictif significatif au modèle. Résultats : L’ajout de mesures RST sensibles aux différences individuelles à un modèle de fatigue existant a augmenté de manière significative la quantité de variance de la performance expliquée par le modèle de 13,8 à 35,7 %. Discussion:Le simple fait de tirer parti de la capacité des RST à capturer les différences individuelles de sensibilité à la fatigue peut améliorer considérablement la prédiction biomathématique des performances de fatigue.

Mots clés
fatigue, modélisation biomathématique, examen de préparation, privation de sommeil

Aller à la rubrique…

La fatigue due au manque de sommeil est une menace insidieuse pour la sécurité et l’efficacité des transports militaires et civils. C’est le facteur physiologique le plus fréquemment cité qui contribue à la survenue d’accidents de vol de l’US Naval Aviation ( 17 ). Le National Transportation Safety Board a identifié les contre-mesures contre la fatigue comme l’amélioration de la sécurité la plus recherchée depuis 1989 ( 16 ). Sur à peu près la même période, la fatigue a été identifiée comme un facteur dans 7 accidents d’aviation aux États-Unis avec 250 morts et 52 blessés graves ( 10). Outre un sommeil adéquat et une aide pharmacologique, la lutte contre les effets d’un repos insuffisant repose sur le fait d’empêcher les opérateurs de travailler en état de fatigue. La prévention peut être accomplie grâce à la planification des équipages basée sur la prédiction des performances futures d’un individu ou par des tests directs de l’état de préparation de cet individu à effectuer au point d’exécution du service.

L’approche de modélisation prédictive, basée sur des modèles biomathématiques de la fatigue, a une longue histoire de prédiction des performances de fatigue avec un succès modéré. Le modèle Sleep, Activity, Fatigue, and Task Effectiveness™ (SAFTE) est un modèle prototypique ( 12) conçu pour mesurer, estimer et gérer les changements de performance induits par la restriction ou la privation de sommeil et l’heure de la journée. Le modèle est intégré à une interface appelée Fatigue Avoidance Scheduling Tool™ (FAST) qui représente graphiquement l’efficacité de la performance prévue en tant qu’écart relatif par rapport au fonctionnement de base au fil du temps. La prédiction des performances par SAFTE comprend quelques hypothèses clés qui fondent le modèle sur des données normatives de groupe, notamment que tous les individus ont des rythmes circadiens et des réponses à la fatigue très similaires. Cependant, de nombreuses études ont confirmé qu’il existe des différences individuelles significatives et stables dans la sensibilité aux effets de la fatigue ( 7 , 23 , 24) et ces différences peuvent se refléter dans des aspects du fonctionnement cognitif et physiologique de base ( 13 ). Par conséquent, les modèles qui n’intègrent pas ces différences manquent de précision au niveau individuel ( 22 ). Cette imprécision représente une lacune potentiellement dangereuse dans notre capacité à gérer et à atténuer la fatigue.

L’approche des tests de préparation a rencontré une plus grande difficulté d’utilisation que l’approche de modélisation prédictive, en partie en raison du débat sur la sensibilité, la spécificité et la validité opérationnelle des différentes mesures de dépistage (2 ) . Par exemple, l’outil de dépistage doit-il être basé sur des tests cognitifs/comportementaux ou sur des mesures physiologiques ? Les tests cognitifs peuvent avoir une valeur diagnostique différentielle en fonction de l’individu ( 21 ), tandis que les mesures physiologiques peuvent manquer de validité et de sensibilité opérationnelles nécessaires ( 2 ). De plus, il n’y a pas de durée établie pour la capacité prédictive des outils de dépistage de l’état de préparation (RST). Un individu peut ne pas être compromis au moment du dépistage, mais ce statut peut ne pas durer pendant toute une période de travail.

Malgré ces questions persistantes, les RST ont l’avantage de capturer la variabilité individuelle de la performance qualifiée à tort de variance d’erreur par les modèles de fatigue existants. Par exemple, des indices oculométriques non invasifs, tels que la vitesse saccadique, ont été utilisés pour caractériser l’état de préparation comme un écart relatif par rapport à la ligne de base reposée d’un individu ( 15 ). La même chose peut être accomplie avec des tâches cognitives, compte tenu de nombreux tests de laboratoire.

Dans la présente étude, on soutient que la principale limitation de la modélisation biomathématique peut être partiellement surmontée en incorporant la force clé des RST. Plus précisément, nous testons l’hypothèse selon laquelle la capacité prédictive d’un modèle biomathématique existant peut être considérablement améliorée en incorporant des mesures oculométriques et cognitives, dérivées de deux RST existants, qui sont sensibles aux différences individuelles de réponse à la fatigue. Les performances sur ces mesures ont été recueillies au départ au repos, puis toutes les 3 h sur 25 h d’éveil continu. Les résultats ont été utilisés pour caractériser les performances de fatigue réelles au niveau des différences entre les groupes et les individus. Les performances réelles ont été comparées aux baisses de performances prévues sur la même période.

MÉTHODESAller à la rubrique…

Sujets
Il y avait 15 militaires en service actif (13 hommes, 2 femmes ; âge moyen = 24,7 [SD = 2,1] et 21,5 [SD = 0,7], respectivement) du programme d’endoctrinement en amont de l’aviation navale (API) à bord de la Naval Air Station Pensacola qui s’est porté volontaire comme sujets. Le protocole d’étude a été approuvé par le Naval Aerospace Medical Research Laboratory Institutional Review Board conformément à toutes les réglementations fédérales applicables régissant la protection des sujets humains. Avant l’inclusion dans l’étude, les sujets ont été dépistés pour une consommation excessive d’alcool au cours des 48 heures précédentes (> 3 verres), une consommation quotidienne de caféine supérieure à 400 mg, une utilisation habituelle de produits du tabac au cours des 6 mois précédents et des antécédents de problèmes médicaux, neurologiques, psychiatriques ou liés au sommeil en raison de leurs effets confusionnels potentiels (13 ). Les sujets n’étaient pas autorisés à consommer de la caféine pendant l’étude et ont accepté une période de sevrage de 48 h avant la privation de sommeil. Enfin, le sommeil nocturne autodéclaré de la semaine précédente a été recueilli pour garantir une performance de base reposée avant le début de l’étude.

Mesures
La batterie de tests cognitifs Flight Fit (FF) a été utilisée pour mesurer les performances cognitives. FF est une version abrégée (7 à 8 min) de la batterie d’évaluation CogniFit (la version complète dure environ 30 min) (Cognifit Inc., Yoqneam Ilit, Israël). Le test mesure les performances cognitives sur différentes composantes de la charge de travail mental sensibles aux effets de la fatigue. Plus précisément, FF mesure le temps de réaction brut, le temps de réaction du balayage visuel, la précision du balayage visuel, le temps de réaction de l’attention divisée, la précision de l’attention divisée, le temps de réaction du changement d’attention, la précision du changement d’attention, le temps de réaction de la mise au point en présence de distracteurs et la mémoire à court terme.

Les indices oculométriques de fatigue ont été mesurés à l’aide du dispositif de dépistage PMI FIT® 2000 (FIT) (Pulse Medical Instruments Inc., Rockville, MD). Le FIT utilise le suivi oculaire et la pupillométrie pour identifier les états physiologiques altérés dus à la fatigue et à d’autres facteurs, tels que la consommation d’alcool ou de drogues ( 15). Le test dure environ 1 minute. Le système utilise un algorithme qui compare la ligne de base établie d’un individu à l’état actuel sur quatre sous-composantes (diamètre de la pupille, amplitude de constriction de la pupille, latence de constriction de la pupille et vitesse saccadique). La ligne de base est établie par la moyenne de dix essais effectués au repos. Après les essais de base, chaque essai ultérieur fournit à l’utilisateur des scores sur les quatre sous-composantes du test. Le FIT a été utilisé dans de multiples études sur la fatigue et la déficience dans d’autres contextes, tels que la conduite d’un véhicule à moteur ( 20 ).

Les défaillances de l’attention ont été mesurées à l’aide de la tâche de vigilance psychomotrice (PVT)-192 (Ambulatory Monitoring Inc., Ardsley, NY). Le PVT est une brève tâche de vigilance et d’attention, et est considéré comme l’instrument de référence pour l’évaluation des effets de la fatigue ( 1 ). Au cours de chaque essai de 10 minutes, les sujets doivent suivre de près une fenêtre de stimulus et répondre en appuyant sur un bouton de réponse aussi rapidement que possible. Le temps de réaction est mesuré à partir du point de présentation du stimulus jusqu’à la pression sur le bouton. Une interruption a été quantifiée comme une absence de réponse au stimulus initial pendant 500 ms ou plus.

La somnolence subjective a été évaluée avec l’échelle de somnolence de Stanford (SSS) ( 11 ). Le SSS est une mesure papier-crayon largement utilisée et facile à administrer et a démontré une excellente sensibilité aux effets subjectifs de la fatigue ( 1 ).

Le sommeil nocturne a été suivi à l’aide de la montre de sommeil Motionlogger® Micro (Ambulatory Monitoring, Inc., Ardsley, NY), qui est un actimètre résistant à l’eau porté au poignet qui mesure la fréquence et l’intensité du mouvement du porteur à l’aide d’un assemblage piézoélectrique sensible au mouvement de précision . Les résultats de mouvement ont été tracés à l’aide du logiciel d’accompagnement pour suivre les habitudes de sommeil des sujets avec un degré élevé de précision.

La prédiction de la performance fatiguée a été calculée à l’aide de l’outil Fatigue Avoidance Scheduling Tool™ (FAST ; Nova Scientific Corporation, Fairborn, OH), qui est conçu pour mesurer, estimer et gérer les changements de performance induits par la restriction ou la privation de sommeil et l’heure de la journée. L’utilisation principale de FAST est d’optimiser la gestion opérationnelle des équipages d’aviation et de concevoir des horaires de travail et des événements critiques de manière à réduire la fatigue et les erreurs induites par la fatigue. Les prévisions de performance sont basées sur le modèle biomathématique Sleep, Activity, Fatigue, and Task Effectiveness™ (SAFTE), de nombreuses collaborations en laboratoire, la collecte de données sur le terrain et des études sur la privation de sommeil (12 ) . La sortie de FAST comprend une prédiction de l’efficacité future des performances.

Procédures
L’expérience a utilisé une conception de mesures répétées pour étudier les effets de la privation de sommeil sur les performances cognitives et oculométriques au niveau du groupe et de l’individu au fil du temps. L’expérience consistait en une collecte de données sur la pratique (Phase I) et une privation aiguë de sommeil (Phase II).

Après que les sujets aient donné leur consentement éclairé, la phase I de l’expérience a commencé. Cette phase a été exécutée les jours 1 et 2 de la semaine d’étude et a nécessité environ 90 minutes de participation chaque jour. Les données de la phase I ont été utilisées pour établir une asymptote de performance et atténuer les effets potentiels sur la pratique au cours de la phase II. Chaque jour, les sujets ont effectué cinq essais du FIT, 2 essais du FF, deux essais du PVT et un SSS à des stations de test individuelles dans le cadre d’une étude plus vaste. Avant de partir le jour 1, chaque sujet a été équipé d’un actimètre et chargé d’obtenir une nuit de sommeil complète.

À la fin de la phase I, les sujets ont été libérés avec des instructions pour revenir à 05h30 le lendemain pour la phase II. Les sujets ont reçu pour instruction de dormir selon leurs horaires normaux et de se réveiller à 0300 le lendemain, en restant éveillés jusqu’à l’heure du rapport de 0530. L’observance a été évaluée par actigraphie. Les sujets ont également été familiarisés à nouveau avec le protocole de la phase de privation de sommeil de l’étude. À partir de 0600, les sujets ont été évalués sur un essai de FF, FIT, PVT et SSS une fois toutes les 3 h. Les essais ont commencé à 06h00, 09h00, 12h00, 15h00, 18h00, 21h00, 00h00 et 03h00. À la fin de l’essai final, les sujets ont été débriefés et conduits dans des logements avec des instructions pour obtenir un sommeil suffisant avant le départ.

Analyses
Les données ont été analysées en trois étapes pour déterminer si les mesures de différence individuelles dérivées de l’outil de dépistage de l’état de préparation (RST) ajoutaient un pouvoir prédictif significatif aux prédictions de performance FAST initiales. À l’étape 1, une série d’analyses de variance à mesures répétées (ANOVA) a été effectuée pour chaque critère et variable prédictive au cours des huit essais de phase II afin de déterminer quelles variables présentaient des changements dans le temps. L’essai 0600 de la phase II a été établi comme performance de base. Une valeur de P≤ 0,05 était considéré comme statistiquement significatif. Des analyses post-hoc ont été réalisées à l’aide de la méthode de la différence la moins significative (LSD) de Fisher. L’affichage d’un changement significatif dans le temps pour les variables de critère, telles que les écarts de PVT, est nécessaire afin d’établir que ces variables sont affectées par la perte de sommeil, et donc appropriées comme mesures de résultats pour les analyses individualisées de l’étape 2.

À l’étape 2, une série de modèles linéaires hiérarchiques (MLH) a été menée pour prédire les baisses de performance associées à la fatigue et pour examiner simultanément toutes les différences individuelles qui n’étaient pas évidentes lors des analyses au niveau du groupe. Pour tous les HLM bivariés, les effets fixes (équations de niveau 1) et aléatoires (équations de niveau 2) des prédicteurs ont été inclus, ce qui a permis de déterminer un effet global de chaque prédicteur, ainsi que de déterminer si la relation était cohérente ou variait d’un sujet à l’autre. La signification ( P ≤ 0,05) au niveau 1 indique un effet de groupe, tandis que la signification au niveau 2 ( P≤ 0,05) indique des différences individuelles au sein de cet effet global. Si l’effet aléatoire n’était pas significatif, indiquant qu’il n’y avait pas de variabilité interindividuelle significative, le modèle a été réajusté sans l’effet aléatoire du prédicteur afin de se concentrer sur l’effet de groupe. Un HLM multivarié a ensuite été construit pour déterminer quels prédicteurs significatifs partageaient la variance explicative statistique et la parenté conceptuelle.

L’étape 3 consistait en une série de modèles linéaires généraux (GLM) à prédicteurs multiples de la méthode Enter construits à partir de variables prédictives significatives de l’étape 2 pour observer la capacité prédictive incrémentielle associée aux prédictions de performances biomathématiques, aux facteurs cognitifs et oculométriques, respectivement.

RÉSULTATSAller à la rubrique…

Étape 1 : effets de groupe
Les résultats de l’ANOVA à mesures répétées indiquent que quatre sous-composantes de la performance cognitive ont détecté des effets de fatigue significatifs dans les essais, notamment le temps de réaction brut, la mémoire à court terme, la précision de l’attention divisée et la précision du déplacement de l’attention. Des analyses post-hoc ont révélé des diminutions significatives des performances sur ces quatre mesures indicatives des effets de la fatigue, les diminutions les plus spectaculaires se produisant au cours des deux dernières périodes d’évaluation (0000 et 0300 h). Les résultats de l’ANOVA sont présentés dans le tableau I , et les scores de performance moyens sur les temps d’évaluation pour chaque sous-composant significatif sont présentés dans la figure 1(AD) . Ces quatre sous-composantes significatives ont été retenues dans les analyses de l’étape 2 pour être évaluées comme variables prédictives.

TABLEAU I.
TABLEAU I.
Cliquez pour voir

TABLEAU I.

Fig. 1.
Fig. 1.
Clique pour voir

Fig. 1.
Analyses au niveau du groupe à chaque essai de test dans le temps. * Indique les différences les plus significatives sur le plan opérationnel. A) Scores moyens de temps de réaction brut FF en millisecondes. Les analyses post hoc ont révélé des différences significatives entre T1 et T4 à T8 ; T5 et T1, T7 et T8 ; T6 et T1, T7 et T8 ; T7 et T1, T3, T4, T5 et T6 ; T8 et T1, T3, T4, T5 et T6. B) Scores moyens de précision de l’attention divisée FF en pourcentage. Les analyses post hoc ont révélé des différences significatives entre T1 et T4 – T8 ; T5 et T1, T7 et T8 ; T6 et T1, T7 et T8 ; T7 et T1, T5 et T6 ; T8 et T1, T5 et T6. C) Mémoire à court terme moyenne FF en nombre d’éléments mémorisés avec succès. Des analyses post-hoc ont révélé des différences significatives entre T8 et T1, T2 et T6, indiquant que les performances de FF_STM étaient relativement stables jusqu’à une baisse significative à la marque 24 d’éveil continu. D) Moyenne des scores de précision du déplacement de l’attention FF en pourcentage correct. Les analyses post hoc ont révélé des différences significatives entre T4 et T7, T8 ; T8 et T2, T3, T4, T5 et T6, indiquant que les performances de FF_shiftACC ont diminué de manière significative et régulière depuis le créneau horaire T4 jusqu’à l’essai final.

Les résultats pour les quatre sous-composantes oculométriques de l’indice FIT sont présentés dans le tableau I . Des analyses post hoc ont révélé un ralentissement significatif de la vitesse saccadique dans le temps ( Fig. 2A ) et une variabilité significative de l’amplitude de la pupille. Cependant, l’examen des tracés post hoc pour l’amplitude de la pupille a révélé des modèles non linéaires qui ne suggèrent pas que les effets étaient associés à la fatigue. En conséquence, seule la vitesse saccadique a été retenue comme variable prédictive dans les analyses de l’étape 2.

Fig.2.
Fig.2.
Clique pour voir

Fig.2.
Les analyses au niveau du groupe à chaque essai test dans le temps se sont poursuivies. * Indique les différences les plus significatives sur le plan opérationnel. A) Vitesse saccadique moyenne FIT en millimètres par seconde. Les analyses post hoc ont révélé des différences significatives entre T1 et T7, T8 ; T2 et T6, T8 ; T3 et T6 – T8 ; T4 et T7, T8 ; T5 et T7, T8 ; T6 et T2, T3, T7 et T8 ; T7 et T1 – T6 ; T8 et T1 – T7, indiquant que la vitesse PMI_SV a chuté de manière significative et constante depuis l’essai T3 jusqu’à l’essai T7. B) Déchéances moyennes de PVT. Des analyses post hoc ont révélé des différences significatives entre T8 et tous les autres essais, indiquant un point distinct auquel la vigilance de groupe a commencé à échouer. C) Score moyen de l’échelle de somnolence de Stanford (SSS). Les analyses post hoc ont révélé des différences significatives entre T6, T7 et T8 et tous les autres essais,

Les résultats du PVT ont indiqué des effets de fatigue significatifs pour les déchéances. Des analyses post-hoc ont révélé des augmentations significatives des écarts au fil du temps, là encore avec les effets les plus prononcés regroupés vers la fin de l’éveil continu ( tableau I et figure 2B ). Comme les défaillances sont à la fois bien établies par des recherches antérieures ( 4 , 9 , 25 ) et un analogue de la vigilance pertinent sur le plan opérationnel, elles ont été incluses comme critère principal aux étapes 2 et 3.

Les cotes du SSS ont indiqué un effet principal significatif de la durée du procès. Les comparaisons post hoc ont montré des différences significatives entre les niveaux, les plus révélatrices entre les essais 6, 7 et 8 et tous les autres essais (voir Tableau I et Fig. 2C ), les individus signalant une plus grande somnolence de manière linéaire dans le temps.

Étape 2 : Différences individuelles
Toutes les variables qui présentaient une relation bivariée significative au niveau 1, au niveau 2 ou aux deux avec des écarts de PVT sont identifiées dans le tableau II . Il s’agit notamment du temps d’essai, du temps de réaction brut, du temps de réaction de l’attention divisée et de la précision du déplacement de l’attention à partir des performances cognitives, de la vitesse saccadique du FIT et des performances prédites FAST.

TABLEAU II.
TABLEAU II.
Clique pour voir

TABLEAU II.

Les équations de niveau 1 et de niveau 2 étaient significatives pour la durée de l’essai d’évaluation prédisant les déchéances de PVT. L’effet de groupe a reproduit la relation longitudinale des écarts de PVT dans le temps établie à l’étape 1. L’effet au niveau 2 indique des différences individuelles significatives concernant la pente de groupe ( Fig. 3A ).

Fig.3.
Fig.3.
Clique pour voir

Fig.3.
Pente des sujets individuels pour les écarts PVT (valeurs centrées sur la moyenne de tous les groupes). Il y avait des effets de différence de groupe et individuels significatifs pour chaque variable présentée. Au niveau du groupe, les écarts ont augmenté A) à mesure que le temps passé sans dormir augmentait, B) à mesure que la précision du changement de vitesse diminuait, C) à mesure que la vitesse saccadique diminuait, D) lorsqu’il y avait une baisse prédite des performances par FAST, et E) à mesure que la somnolence subjective augmentait . Cependant, la nature de chaque relation au niveau du groupe variait considérablement d’un sujet à l’autre.

Il n’y avait pas suffisamment de variabilité entre les pentes individuelles du temps de réaction brut pour constituer un effet aléatoire significatif. Étant donné que l’équation de niveau 2 n’était pas significative en utilisant un effet aléatoire, le résultat de niveau 1 rapporté ici consiste en une ré-estimation du modèle sans l’effet aléatoire (voir tableau II ). Le modèle réestimé était significatif au niveau 1 pour le temps de réaction brut prédisant les écarts de PVT, de sorte que lorsque le temps de réaction augmente, les écarts de PVT augmentent.

Il n’y avait pas d’effet aléatoire significatif du temps de réaction de l’attention partagée au niveau 2. La réestimation du modèle sans l’effet aléatoire a produit une relation significative avec les écarts de PVT au niveau 1, de sorte que lorsque le temps de réaction de l’attention partagée augmente, les écarts de PVT augmentent.

Les équations de niveau 1 et de niveau 2 étaient significatives pour la précision du déplacement de l’attention prédisant les interruptions de PVT. L’inspection visuelle de la variabilité significative entre les pentes au niveau 2 montre que certaines personnes présentent une gamme beaucoup plus large à la fois de défaillances PVT et de scores de précision du déplacement de l’attention que d’autres, celles présentant une gamme plus large de scores affichant la plus grande diminution liée à la fatigue (Fig. 3B ).

Pour la vitesse saccadique, l’équation de niveau 1 était significative de sorte que lorsque la vitesse diminue, les écarts de PVT augmentent. Il y avait également un effet aléatoire significatif du prédicteur au niveau 2 ( Fig. 3C ) indiquant des différences individuelles stables dans la vitesse à laquelle cette vitesse diminue au fil du temps passé éveillé.

L’équation de niveau 1 était significative pour les scores prédits par FAST, indiquant que lorsque FAST prédit une baisse des performances, une baisse de la vigilance PVT se produit. Il y avait également un effet aléatoire significatif du prédicteur au niveau 2 ( Fig. 3D ) indiquant des différences individuelles dans la précision de ces prédictions.

Les équations de niveau 1 et de niveau 2 étaient significatives pour les évaluations subjectives de la somnolence prédisant les interruptions de PVT, indiquant qu’en général, la somnolence subjective est prédictive de la vigilance PVT, mais il existe des différences individuelles significatives dans cette relation générale (voir Fig. 3E ) .

Des analyses bivariées ont établi les relations significatives entre six prédicteurs individuels et une variable de résultat et les écarts de PVT. De nombreux prédicteurs significatifs sont conceptuellement liés, tels que la précision du déplacement de l’attention et la vitesse saccadique, et peuvent partager une variance explicative statistique. Un HLM multivarié utilisant tous les prédicteurs bivariés significatifs à l’exception du temps a donc été construit. Le temps a été exclu car il est supposé être théoriquement et statistiquement colinéaire avec les autres prédicteurs. Les écarts de PVT ont été utilisés comme variable de résultat. Les résultats indiquent que parmi les variables prédictives possibles (temps de réaction brut, temps de réaction de l’attention divisée, précision du déplacement de l’attention, vitesse saccadique et scores prédits FAST), toutes sauf le temps de réaction brut ( P = 0,09) et la vitesse saccadique ( P= 0,53) sont restés des prédicteurs significatifs des interruptions de PVT au niveau 1, P < 0,05.

Étape 3 : Prédiction du modèle + Différences individuelles
Pour explorer davantage la validité incrémentielle de chaque prédicteur significatif de l’étape 2 au niveau du groupe, une méthode Enter GLM a été construite en comparant la variance des écarts de PVT expliquée par les scores prédits FAST seuls, avec la variance totale expliquée lorsque des prédicteurs cognitifs et oculométriques significatifs étaient inclus avec la prédiction FAST. scores. Les résultats sont présentés dans le tableau III . Comme dans l’analyse de l’étape 2, les scores prédits par FAST ont pu expliquer une quantité significative de variance dans les écarts de PVT, 13,8 % (R 2 = 0,138, P < 0,01), au niveau du groupe. L’ajout du temps de réaction brut, du temps de réaction de l’attention divisée, de la précision du déplacement et de la vitesse saccadique a augmenté la quantité de variance expliquée à 35,7 % (R 2 = 0,357, P< 0,01), un R 2 Δ significatif de 0,219 [ F (4, 114) = 9,69, P < 0,01].

TABLEAU III.
TABLEAU III.
Clique pour voir

TABLEAU III.

DISCUSSIONAller à la rubrique…

La lutte contre les effets de la perte de sommeil sur les performances sur le terrain repose sur sa quantification minutieuse en laboratoire. Dans le présent rapport, nous démontrons la capacité de deux techniques existantes de lutte contre la fatigue à se compléter de manière pratique. Le simple fait de tirer parti de la capacité des RST à capturer les différences individuelles de sensibilité à la fatigue peut améliorer considérablement la prédiction biomathématique des performances de fatigue. Cette approche repose sur une caractérisation détaillée des parties analytiques constitutives représentant les deux techniques.

L’étape 1 a révélé des diminutions cognitives et oculométriques importantes attribuables à la fatigue au niveau du groupe. Ces résultats reproduisent la littérature existante et suggèrent que les mesures analysées sont sensibles à une dose relativement faible de perte de sommeil. Lorsque les résultats du groupe ont été inspectés visuellement au niveau individuel, deux groupes distincts dans les données ont émergé, suggérant la possibilité d’importantes différences individuelles dans les réponses à la fatigue. Afin d’examiner statistiquement la variabilité individuelle des diminutions de performance liées à la fatigue, une série de HLM à deux niveaux a été réalisée. Une analyse exploratoire bivariée a examiné la capacité de tous les prédicteurs significatifs de l’étape 1 à expliquer les écarts de PVT au cours de la journée du test. Les scores FAST ont été inclus dans cette série d’analyses pour leur capacité potentielle à prédire la performance au niveau du groupe ainsi que toute différence individuelle possible au sein de cette capacité. Les résultats détaillés des analyses bivariées ont informé les modèles de prédicteurs multiples ultérieurs.

L’effet au niveau 2 pour le temps d’essai, indiquant des différences individuelles significatives sur la pente du groupe, est une excellente illustration de l’application du HLM à ces données et de l’importance de prendre en compte les réponses individuelles à la fatigue lors de la prédiction des performances. Inspection visuelle de la Fig. 3Arévèle au moins deux groupes distincts dans les données lorsqu’ils sont visualisés sous forme de lignes tracées individuellement. Pour certains sujets, les déchéances ont augmenté à un rythme beaucoup plus rapide dans le temps que pour d’autres sujets. En conceptualisant cette différence en termes de susceptibilité à la fatigue, les individus ayant une susceptibilité élevée à la fatigue peuvent être identifiés par leurs pentes abruptes. Les individus peu sensibles à la fatigue présentent la tendance opposée, avec peu ou pas de changement dans les interruptions de PVT en fonction du temps. La différence entre la pente des deux pentes les plus extrêmes du sujet et le reste du groupe ne serait pas évidente si une ligne était ajustée sur la base d’une moyenne de groupe. Dans ce cas, la diminution de la performance serait sous-estimée pour les individus qui sont en réalité les plus sensibles à la fatigue et surestimée pour ceux qui y sont le moins sensibles.

L’analyse multiniveaux du temps de réaction brut et du temps de réaction de l’attention divisée a révélé la présence d’effets significatifs de niveau 1 en l’absence d’effets significatifs de niveau 2. Cette combinaison indique que le déclin du temps de réaction basé sur les performances cognitives est mieux conceptualisé au niveau du groupe, et que toutes les performances des sujets souffrent de la même manière dans des conditions de privation de sommeil dans cet échantillon.

L’effet significatif de niveau 1 pour la précision du déplacement de l’attention indique qu’à mesure qu’il diminue, les écarts de PVT augmentent. L’inspection visuelle de la variabilité significative entre les pentes au niveau 2 montre que certaines personnes présentent une gamme beaucoup plus large à la fois de défaillances PVT et de scores de précision du déplacement de l’attention que d’autres, celles présentant une gamme plus large de scores affichant la plus grande diminution liée à la fatigue (Fig. 3B ). Concrètement, cela signifie que les individus qui présentent une plus grande variabilité dans leurs performances ont également tendance à avoir de moins bons résultats dans l’ensemble. Le fort regroupement des points d’extrémité de la ligne de tracé dans le quadrant inférieur droit de la figure 3B indique également qu’une précision de changement de vitesse élevée se traduit presque toujours par un faible nombre de défaillances PVT pour les individus sensibles à la fatigue élevée et faible.

L’inspection visuelle de la variabilité significative entre les pentes de la vitesse saccadique au niveau 2 révèle un schéma similaire à la précision du déplacement de l’attention, bien que la dichotomie entre la sensibilité élevée et faible à la fatigue ne soit pas aussi claire. Les individus qui montrent plus de variabilité dans leurs performances ont tendance à avoir de moins bons résultats dans l’ensemble, bien que cette tendance ne soit pas aussi fortement liée à de faibles scores dans la variable prédictive qu’elle ne l’est avec la précision du déplacement de l’attention. La présence de ces individus, qui opposent la relation générale d’une vitesse saccadique lente équivalant à plus de laps, met en évidence le rôle dynamique de la performance de base et de la variation individuelle de la vitesse saccadique tout au long de la progression de la fatigue. En termes de performances de base, les individus qui commencent avec peu ou pas d’échecs ont tendance à le rester ; graphiquement, ce sont les lignes de tracé avec de faibles interceptions. Les individus avec des interceptions plus élevées, et donc des performances de base plus faibles, ont tendance à se détériorer d’un essai à l’autre. En termes de variation individuelle, le fait que la vitesse saccadique lente peut être, mais n’est pas toujours, associée à un nombre élevé de défaillances, souligne davantage la nécessité d’établir des lignes de base individuelles dans les mesures de la fatigue physiologique (figure 3C ).

L’équation de niveau 1 indique que lorsque FAST prédit une baisse des performances, une baisse de la vigilance PVT se produit. Cependant, une variabilité interpente significative au niveau 2 révèle certains groupes distincts dans cette relation : 1) ceux pour lesquels le décrément lié à la fatigue est bien prédit ; 2) celles pour lesquelles elle est surestimée ; et 3) celles pour lesquelles elle est sous-estimée. Le groupe 1 peut être vu dans les lignes de tracé regroupées autour du centre de la Fig. 3D, où un changement progressif des scores prédits FAST est lié à un changement progressif relativement égal des déchéances de PVT. Le groupe 2 est représenté par les lignes plates en bas, où les baisses de performances prévues par FAST ne se matérialisent pas. Le groupe 3 est le plus frappant, représenté par les lignes en pente raide distinctes des autres lignes de tracé. Ici, les performances réelles souffrent à un rythme beaucoup plus élevé que ce qui est prédit par FAST. La seule capacité prédictive acceptable sur le plan opérationnel concerne les individus du groupe 1, car une surestimation peut entraîner une utilisation inefficace de la main-d’œuvre et une sous-estimation peut créer un environnement de travail dangereux.

La relation bivariée finale examinée était entre deux variables de résultat conceptuelles, les écarts de PVT et le SSS. Bien qu’elle ne soit pas définie comme résultat et prédicteur a priori, cette relation est théoriquement intéressante en ce qu’elle permet de déterminer si l’évaluation subjective d’un individu de son état de fatigue à partir du SSS est prédictive de sa performance objective liée à la fatigue sur le PVT. Les équations de niveau 1 et de niveau 2 ont indiqué qu’en général, la somnolence subjective est prédictive de la vigilance PVT, mais des différences individuelles significatives existent dans cette relation générale (voir Fig. 3E). Les sujets sensibles à la fatigue faible et élevée peuvent à nouveau être clairement identifiés. L’impact opérationnel de cette relation est le plus clair des analyses de l’étape 2 : demander à quelqu’un à quel point il est somnolent a une valeur diagnostique variable en termes de prédiction des performances ultérieures. Sur le plan opérationnel, cela souligne l’importance d’une mesure objective de la fatigue. Les résultats du HLM multivarié suggèrent que la capacité prédictive significative du temps de réaction brut et de la vitesse saccadique peut déjà être capturée par des aspects du temps de réaction de l’attention divisée, de la précision du déplacement de l’attention et des scores prédits FAST au niveau du groupe.

L’étape 2 a été menée pour établir la capacité des variables significatives de l’étape 1 à prédire la performance sur le PVT. HLM a été utilisé pour identifier simultanément les relations significatives au niveau du groupe et de l’individu. Une variabilité significative au niveau du groupe dans les écarts de PVT a été prédite par le temps de réaction brut, le temps de réaction de l’attention divisée, la précision du déplacement de l’attention et la vitesse saccadique. Les performances prédites par FAST correspondaient également aux performances réelles au niveau du groupe. Parmi ces variables, la précision du déplacement de l’attention, la vélocité saccadique et les scores prédits FAST ont également affiché des différences individuelles significatives dans leur relation avec les écarts de PVT. Il y avait également une variabilité interindividuelle significative dans la relation entre les scores SSS et les écarts PVT, indiquant un décalage entre l’auto-évaluation subjective de la fatigue et ses conséquences objectives. Ces résultats clarifient deux points importants pour le développement d’une mesure individualisée de la fatigue. Premièrement, la mesure de la fatigue doit tenir compte des différences individuelles. Cela ne peut pas être accompli en utilisant les normes de groupe comme référence de comparaison pour la prédiction individuelle, car les valeurs aberrantes statistiques sont en fait les plus critiques à capturer lorsque l’on tente de prédire les performances liées à la fatigue dans un contexte opérationnel. Le moyen le plus efficace de capturer les valeurs aberrantes serait d’établir des références de performance individuelles, puis de suivre les changements par rapport à cette référence. Deuxièmement, les résultats du HLM multivarié démontrent la nécessité d’équilibrer soigneusement le pouvoir prédictif et l’application pratique. Bien que le temps de réaction brut et la vitesse saccadique n’expliquent pas la variance systématique des écarts de PVT au-delà des autres prédicteurs significatifs, ce sont les évaluations les plus rapides et les moins gênantes des tests effectués. Pour éclairer davantage l’équilibre entre le pouvoir prédictif et l’application pratique, l’étape 3 consistait en une analyse incrémentielle pour évaluer la contribution relative des mesures sensibles aux différences individuelles aux scores prédits FAST tout en tenant compte de l’utilité opérationnelle de chaque combinaison.

Le HLM multivarié de l’étape 2, y compris les effets de différence de groupe et individuels, est difficile à traduire en un seul algorithme de prédiction de la fatigue. Idéalement, une prédiction précise serait basée sur une équation individuelle pour chaque sujet dans laquelle les poids bêta respectifs pour chaque variable changent en fonction de la variabilité interindividuelle de la pente. Cela nécessiterait de comprendre la susceptibilité à la fatigue spécifique à la tâche dans une véritable perspective de modélisation ( 14), un concept qui dépasse le cadre de cette étude. Comme première étape vers l’intégration des différences individuelles dans la prédiction de la fatigue, les équations significatives de niveau 1 de l’étape 2 du HLM multivarié sont examinées plus en détail ici. En utilisant les résultats de niveau 1 des analyses de l’étape 2, un algorithme de notation basé sur le groupe a été construit. L’utilisation conceptuelle de cette approche n’est pas nécessairement de créer un algorithme de prédiction de la fatigue, mais plutôt d’examiner l’interaction et la contribution respective des mesures cognitives et oculométriques de la fatigue sensibles aux différences individuelles de manière progressive dans une seule équation. Comme dans l’analyse de l’étape 2, les scores prédits par FAST ont pu expliquer une quantité significative de variance dans les écarts de PVT, 13,8 %, au niveau du groupe. Ajout du temps de réaction brut, du temps de réaction de l’attention divisée, de la précision des changements, et la vitesse saccadique a plus que doublé la quantité de variance expliquée à 35,7 %. L’ampleur de cette augmentation suggère que l’incorporation de mesures de performance rapides et non invasives peut améliorer considérablement l’utilité d’un outil de prédiction de la fatigue existant.

À ce jour, les gestionnaires des risques liés à la fatigue ont eu le choix difficile entre l’utilisation de modèles prédictifs biomathématiques et d’agents de dépistage de l’état de préparation pour la gestion non pharmacologique de la fatigue. Bien que les deux approches aient des points forts, elles ont aussi des inconvénients. Les modèles sont imprécis au niveau individuel et les RST sont limités dans le temps. Les chercheurs sur la fatigue opérationnelle ont suggéré une approche mixte ( 2), mais l’adoption d’une telle approche s’est heurtée à des difficultés pratiques, en particulier avec les RST. Les résultats de l’étude actuelle suggèrent que le simple fait de tirer parti de la force de la mesure de l’état de préparation – la capacité de saisir les différences individuelles de sensibilité à la fatigue – peut atténuer considérablement le principal défi auquel est confrontée une prédiction précise. Le succès d’une approche combinée repose sur cette facette, ainsi que sur l’utilisation pratique de la mesure multimodale des différences individuelles.

Les résultats indiquent que la prise en compte des différences individuelles de sensibilité à la fatigue peut améliorer de manière significative la précision de la mesure et de la prédiction de la fatigue. Un grand nombre de recherches suggèrent maintenant que la susceptibilité à la fatigue est une caractéristique semblable à un trait qui a des fondements neurobiologiques et physiques systématiques et identifiables ( 6). Bien que la prédiction des performances basée sur une moyenne de groupe représente la plupart des individus, ceux qui ne sont pas correctement classés selon une telle approche sont théoriquement et pratiquement les plus critiques à capturer. Par exemple, ceux qui sont très sensibles à la fatigue peuvent nécessiter une formation supplémentaire, un horaire adapté ou une intervention pharmacologique, tandis que ceux qui sont très résistants à la fatigue peuvent être mieux adaptés aux situations dans lesquelles une vigilance soutenue est systématiquement requise. Sur le plan opérationnel, la surutilisation d’individus dont les performances sont compromises et la sous-utilisation d’individus prêts à travailler représentent une menace pour l’efficacité du travail et, en fin de compte, pour la sécurité des opérateurs. Comme adapter les affectations en fonction de la personnalité ou de la force physique,

Les résultats actuels suggèrent également que les améliorations nécessaires pour éviter une catégorisation individuelle incorrecte peuvent être réalisées en partie en établissant des bases de référence individualisées de performance, comme illustré par le FIT. En prenant 10 lectures de base reposées avant la privation de sommeil, le système FIT a pu calculer la performance de chaque sujet en termes d’écart par rapport au propre enregistrement de ce sujet, peu importe où cet enregistrement a commencé et peu importe la vitesse à laquelle cet écart s’est déroulé. Cependant, le FIT a été évalué dans de nombreux rapports ( 15 , 19), et les résultats, autres qu’un accord sur la sensibilité de la vitesse saccadique, ont été mitigés. Parfois, les indices pupillométriques semblent sensibles à la fatigue de manière linéairement croissante, même dans le cadre de protocoles de privation relativement courts ( 15 ), tandis que d’autres résultats, tels que ceux rapportés ici, trouvent une tendance moins évidente. Il est possible que les différences individuelles de susceptibilité à la fatigue soient si idiosyncratiques phénotypiques qu’elles s’expriment différemment dans la réactivité de la pupille. Le fait que ce conflit dans la littérature reste non résolu suggère qu’il y a d’autres détails significatifs à découvrir concernant l’expression physiologique du profil de susceptibilité à la fatigue d’un individu. Pourtant, la convergence de la vitesse saccadique comme marqueur est prometteuse.

Des mesures cognitives (par exemple, tests de vigilance, mémoire de travail) et physiologiques (par exemple, IRMf, EEG) ont déjà été utilisées pour suivre les changements liés à la fatigue, et les résultats confirment qu’ils sont également affectés par la privation de sommeil (5 ) . Les modèles biomathématiques de la privation de sommeil et de la performance soulignent que les aspects cognitifs et physiologiques de la fatigue sont nombreux, interdépendants et complexes ( 8 , 18). Les résultats de l’étude actuelle confirment que la capacité prédictive d’un modèle biomathématique, SAFTE, a été considérablement améliorée avec l’ajout de mesures cognitives et oculométriques individualisées. Les mesures testées étaient rapides, non invasives, auto-administrées et adaptables à la vulnérabilité à la fatigue à travers et au sein des individus. Les futurs outils de détection de la fatigue individualisés devraient intégrer des mesures cognitives et physiologiques pour maximiser la capacité prédictive et une catégorisation réussie.

Enfin, les résultats suggèrent également que ces mesures cognitives et physiologiques individualisées devraient être aussi objectives que possible, reproduisant et étendant les résultats antérieurs dans la littérature sur la fatigue ( 3). La conception incluait le SSS en tant que mesure subjective et autodéclarée de la fatigue pour observer la relation entre l’auto-évaluation subjective de la fatigue d’un individu et sa performance réelle lorsqu’il était fatigué. Les résultats ont révélé que tous les sujets ont signalé plus de fatigue à mesure que le temps d’éveil augmentait. Cependant, les différences individuelles de performance ne correspondaient pas à la somnolence subjective de manière uniforme, ce qui signifie que les individus résistants à la fatigue se sentent toujours fatigués – ils continuent simplement à fonctionner aux niveaux de base malgré leur somnolence perçue. Ces résultats suggèrent que demander à un individu s’il est trop fatigué pour performer a peu de valeur diagnostique pour la performance réelle, en particulier pour les individus qui réussiraient très probablement. Ce point souligne encore la nécessité d’une approche multidimensionnelle,

Les efforts de sécurité au travail ont investi des ressources importantes dans l’évaluation des risques spécifiques de la fatigue afin de gérer et d’atténuer son impact opérationnel négatif. Les tentatives de gestion se sont concentrées sur la prévision de la fatigue et l’optimisation des horaires des équipages, tandis que l’atténuation s’est concentrée sur l’évaluation de la « préparation » de l’opérateur au point d’exécution des tâches. Les deux approches ont été basées sur le développement de modèles de fatigue généralisés, dans lesquels la prédiction et l’évaluation pour un individu sont basées sur des données moyennes d’un grand groupe ; cependant, un nombre croissant de publications suggèrent qu’il existe des différences individuelles importantes et stables dans la sensibilité à la fatigue ( 23 , 24). En utilisant les normes généralisées actuelles, un nombre substantiel d’individus peut être catégorisé de manière incorrecte, entraînant une sur ou une sous-utilisation potentiellement dangereuse de la main-d’œuvre. Sur le plan méthodologique, la mesure individualisée, dans laquelle la variabilité intra-individuelle de la performance est caractérisée dans le temps comme un écart par rapport à la ligne de base reposée, devrait être adoptée par la communauté de la modélisation biomathématique de la fatigue. En utilisant cette méthode, les modèles de fatigue biomathématiques de nouvelle génération pourraient intégrer des mesures individualisées rapides et non invasives telles que la vitesse saccadique et la précision du changement cognitif. Concrètement, cela impliquerait d’incorporer un logiciel prédictif dans un dispositif de dépistage de l’état de préparation qui pourrait être utilisé au point d’exécution pour fournir une évaluation instantanée et une projection à long terme des performances.

L’interprétation de ces résultats nécessite de la prudence, car plusieurs composants d’un ensemble complet de dépistage et de prédiction ne sont pas encore intégrés. Plus important encore, les études futures devront utiliser les mesures de dépistage à partir desquelles les indices actuels ont été dérivés en temps réel pour valider la prédiction combinée des performances. Par exemple, une prédiction de performance individualisée devrait être périodiquement confirmée avec un RST. Idéalement, ces deux technologies pourraient être combinées, le résultat RST modérant la prédiction de performance individualisée en cas de besoin. Cela créerait une boucle de rétroaction positive dans laquelle les modèles de performance pourraient être continuellement améliorés. Les profils de vulnérabilité spécifiques aux tâches des individus devront également être définis ; la perte de sommeil peut ne pas avoir un impact égal sur toutes les facettes de la performance, même au niveau intra-individuel. Plus loin, les efforts futurs devront se concentrer sur la récupération de la fatigue, et pas seulement sur la dégradation des fonctions. La prévision des performances à long terme restera inexacte jusqu’à ce que le processus de récupération soit mieux compris. Entre-temps, des progrès considérables peuvent être réalisés dans la lutte contre la fatigue en tirant parti des contre-mesures existantes pour les compléter.

Un travail critique reste à faire en ce qui concerne l’impact socioculturel du dépistage individualisé et de la prédiction des performances. Aucune innovation technologique ne peut remplacer l’éducation et l’acceptation de l’utilisateur final. Par exemple, notre laboratoire se concentre sur l’aéronavale, un métier profondément ancré dans la force mentale et physique. Traditionnellement, une partie de cette philosophie guerrière consistait à minimiser l’impact de la perte de sommeil. Par conséquent, il est essentiel que l’effort de prévision des performances progresse avec une contribution constante de la communauté opérationnelle. Cela est vrai non seulement pour l’aviation, mais pour tout type de performance qualifiée dans des contextes critiques pour la sécurité. Combattre la fatigue ne peut être efficace que lorsque les résultats de laboratoire deviennent des solutions de terrain.

REMERCIEMENTSAller à la rubrique…

Les auteurs tiennent à exprimer leur sincère gratitude au Dr Jamie DeCoster, au CAPT Rita G. Simmons, au Dr J. Lynn Caldwell, à M. Dain Horning et à Mme Chelsea Sill pour leurs conseils techniques et leur soutien lors de la préparation de ce manuscrit. .

Les opinions exprimées dans cet article sont celles des auteurs et ne reflètent pas nécessairement la politique ou la position officielle du Département de la Marine, du Département de la Défense ou du gouvernement américain. Ce travail a été financé par l’unité de travail numéro 70803. Le protocole d’étude a été approuvé par le Naval Aerospace Medical Research Laboratory Institutional Review Board conformément à toutes les réglementations fédérales applicables régissant la protection des sujets humains. Le Dr Joseph Chandler, le Dr Richard Arnold et le Dr Jeffrey Phillips sont des employés du gouvernement américain. Ce travail a été préparé dans le cadre de leurs fonctions officielles.

Auteurs et affiliations : Joseph F. Chandler, Ph.D., Richard D. Arnold, Ph.D., Jeffrey B. Phillips, Ph.D., et Ashley E. Turnmire, MS, Naval Medical Research Unit – Dayton, Wright -Patterson AFB, Dayton, Ohio.

LES RÉFÉRENCESAller à la rubrique…

Balkin TJ, Bliese PD, Belenky G, Sing H, Thorne DR, et al. Utilité comparative des instruments de surveillance des diminutions de performance liées à la somnolence dans l’environnement opérationnel. J Sleep Res 2004; 13:219–27.
Balkin TJ, Horrey WJ, Graeber RC, Czeisler CA, Dinges DF. Les défis et les opportunités des approches technologiques de la gestion de la fatigue. Accid Anal Prev 2011; 43:565–72.
Banques S, Dinges DF. Privation de sommeil chronique. Dans : Kryger MH, Roth T, Dement WC, éds. Principes et pratique de la médecine du sommeil : édition de base, 5e éd . Saint-Louis : Saunders ; 2011 : 67–75.
Belenky G, Wesensten NJ, Thorne DR, Thomas ML, Sing HC, et al. Modèles de dégradation et de restauration des performances pendant la restriction du sommeil et la récupération ultérieure : une étude dose-réponse du sommeil. J Sleep Res 2003; 12:1–12.
Berka C, Levendowski DJ, Lumicao MN, Yau A, Davis G, et al. Corrélats EEG de l’engagement des tâches et de la charge de travail mental dans les tâches de vigilance, d’apprentissage et de mémoire. Aviat Space Environ Med 2007 ; 78(5, suppl.):B231–44.
Caldwell JL, Chandler JF, Hartzler BM. Combattre la fatigue dans l’aviation : progrès récents de la recherche et de la pratique. J Med Sci 2012 ; 32:47–56.
Caldwell JA, Mu Q, Smith JK, et al. Les différences individuelles de vulnérabilité à la fatigue sont-elles liées aux différences de base de l’activité corticale ? Behav Neurosci 2005; 119 : 694–707.
Dinges DF. Problèmes de recherche critiques dans le développement de modèles biomathématiques de la fatigue. Aviat Space Environ Med 2004 ; 75(3, suppl.):A181–91.
Dinges DF, Pack F, Williams K, et al. La somnolence cumulée, les troubles de l’humeur et les performances de vigilance psychomotrice diminuent pendant une semaine de sommeil limitée à 4-5 heures par nuit. Sommeil 1997; 20:267–77.
Administration fédérale de l’aviation. Moteurs opérationnels de la fatigue : constatations du Bureau national de la sécurité des transports. Dans : Actes du Symposium sur la gestion de la fatigue en aviation : Partenariats pour des solutions, 17-19 juin 2008 ; Vienne, Virginie 2008 : 31-8.
Hoddes E, Dement W, Zarcone V. Le développement et l’utilisation de l’échelle de somnolence de Stanford (SSS). Psychophysiologie 1972; 9h150.
Hursh SR, Redmond DP, Johnson ML, Thorne DR, Belenky G, et al. Modèles de fatigue pour la recherche appliquée à la guerre. Aviat Space Environ Med 2004 ; 75(3, suppl.):A44–53.
Killgore WDS, Grugle NL, Reichardt RM, Killgore DB, Balkin TJ. Fonctions exécutives et capacité à maintenir la vigilance pendant la perte de sommeil. Aviat Space Environ Med 2009 ; 80:81–7.
McCauley P, Kalachev LV, Smith AD, Belenky G, Dinges DF, Van Dongen HPA. Un nouveau modèle mathématique pour les effets homéostatiques de la perte de sommeil sur les performances neurocomportementales. J Theor Biol 2009; 256:227–39.
McClelland LE, Pilcher JJ, Moore DD. Mesures oculomotrices comme prédicteurs de la performance pendant la privation de sommeil. Aviat Space Environ Med 2010 ; 81:833–42.
Bureau national de la sécurité des transports. Évaluation des efforts du Département américain des transports dans les années 1990 pour lutter contre la fatigue des opérateurs. Rapport de sécurité NTSB/SR-99/01.
Centre de sécurité navale. Évaluation de la fatigue en cas d’accident. 2008. Extrait le 11 juillet 2013 de : http://www.public.navy.mil/navsafecen/Pages/aviation/aeromedical/Fatigue.aspx .
Rétey JV, Martin A, Gottselig JM, Khatami R, Dürr R, et al. Les mécanismes adénosinergiques contribuent aux différences individuelles dans les changements induits par la privation de sommeil dans la fonction neurocomportementale et l’activité rythmique cérébrale. J Neurosci 2006; 26:10472–9.
Rowland LM, Thomas ML, Thorne DR, Sing HC, Krichmar JL, et al. Réponses oculomotrices pendant la privation partielle et totale de sommeil. Aviat Space Environ Med 2005 ; 76(7, suppl.):C104–13.
Russo M, Thomas M, Sing H, Thorne D, Balkin T, et al. Changements de la vitesse saccadique et de la latence de constriction de la pupille dans la privation partielle de sommeil, et corrélations avec des accidents de véhicules à moteur simulés. Sommeil 1999; 22:S297–8.
Tucker AM, Whitney P, Belenky G, Hinson JM, Van Dongen HPA. Effets de la privation de sommeil sur les composants dissociés du fonctionnement exécutif. Sommeil 2010 ; 33:47–57.
Van Dongen HPA. Comparaison des prédictions des modèles mathématiques aux données expérimentales de fatigue et de performance. Aviat Space Environ Med 2004 ; 75 :A15–36.
Van Dongen HP, Baynard MD, Maislin G, Dinges DF. Différences interindividuelles systématiques dans les troubles neurocomportementaux dus à la perte de sommeil : preuves d’une vulnérabilité différentielle semblable à un trait. Sommeil 2004 ; 27:423–33.
Van Dongen HP, Caldwell JA, Caldwell JL. Étude des différences individuelles systématiques dans les performances de privation de sommeil sur un simulateur de vol haute fidélité. Behav Res Methods 2006; 38:333–43.
Van Dongen HP, Maislin G, Mullington JM, Dinges DF. Le coût cumulé de l’éveil supplémentaire : effets dose-réponse sur les fonctions neurocomportementales et la physiologie du sommeil de la restriction chronique du sommeil et de la privation totale de sommeil. Sommeil 2003; 26:117–26.