睡眠剥夺、决策疲劳与医学培训中的临床表现：关于神经生理监测的叙述性综述与展望

Kun Li; Zhuojun Shen; Hui Lu; Xueling Fang

doi:10.3791/71627

需要JoVE订阅才能观看此内容。请登录或开始免费试用

综述文章

睡眠剥夺、决策疲劳与医学培训中的临床表现：关于神经生理监测的叙述性综述与展望

122 次观看

⸱

DOI：

10.3791/71627

⸱

2026年7月28日

Kun Li^*¹ , Zhuojun Shen^*² , Hui Lu³ , Xueling Fang¹

¹Department of Critical Care Medicine, The First Affiliated Hospital, Zhejiang University School of Medicine, ²Department of Education, The First Affiliated Hospital, Zhejiang University School of Medicine, ³Department of Orthopedics, The First Affiliated Hospital, Zhejiang University School of Medicine

^* These authors contributed equally

本文内容

摘要

本综述性文章与观点探讨了睡眠剥夺和决策疲劳如何影响临床表现，并评估了基于脑电图（EEG）和功能性近红外光谱（fNIRS）的监测技术作为医学培训中疲劳感知解释与反馈的概念性工具。

摘要

睡眠剥夺和决策疲劳是影响日间临床表现的重要因素，但却常常未被充分认识。在医学培训环境中，这些状态依赖性因素可能损害注意力、执行控制和决策能力，从而使清醒状态下的能力评估变得复杂。本篇叙述性综述与观点文章整合了睡眠科学、神经生理学、心理学和医学教育领域的证据，探讨睡眠缺失与决策疲劳如何影响临床表现，以及无创监测方法如何有助于理解这种表现波动。本文重点关注脑电图（EEG）和功能性近红外光谱成像（fNIRS）作为潜在的研究工具，用于刻画与疲劳相关的认知负荷和警觉性变化。现有文献支持睡眠缺失、疲劳与神经认知功能受损之间存在密切关联，但在医学培训中利用实时神经生理监测进行可操作的准备状态评估仍处于概念阶段，尚需实证验证。我们提出CBME-BCI-疲劳框架，作为一种假设生成型概念模型，旨在将生理状态信息与基于能力的评估相整合，同时强调与构念效度、增量价值、个体差异、可行性及治理相关的局限性。该框架可为未来在易受睡眠影响的临床培训环境中开展的模拟研究和低风险研究提供指导，以支持对疲劳感知反馈和学习者支持的探索。

引言

全球医学教育正持续向以结果为导向的模式发展，其中最显著的是基于能力的医学教育（CBME），该模式强调可证明的能力，而非依赖时间进程的培养方式。¹^,² 专业能力的概念长期以来一直与可观察的能力、临床推理、沟通、职业素养以及安全的患者照护相关联。美国毕业后医学教育认证委员会（ACGME）的成果项目、受CanMEDS理念影响的方法以及后续的CBME理论进一步推动教育工作者明确界定培训成果，并对其进行纵向评估。³^,⁴ 近期讨论强调了CBME在患者照护一线实践中的重要性。⁵ 针对本科、毕业后及持续专业发展不同阶段的CBME实施工作，也凸显了在可行性、评估文化以及师资发展方面长期存在的挑战。⁶^,⁷^,⁸^,⁹^,¹⁰

在基于能力的医学教育（CBME）中，可委托的专业活动（EPAs）和委托决策已将评估转向基于监督的判断¹¹^,¹²^,¹³^,¹⁴^,¹⁵。学习曲线和学习分析进一步支持对学习者进步的纵向解读¹⁶^,¹⁷。精准教育、教育护照、掌握导向的学习环境以及辅导强调反馈、学习者支持和适应性监督¹⁸^,¹⁹^,²⁰^,²¹。这些方法认识到，能力是通过在不同时间和情境下的表现模式推断出来的，而非来自单一测试的结果。然而，一个持续存在的盲点仍然存在：观察到的表现并不总是反映稳定的潜在能力，它还受到暂时的生理和认知状态的影响，包括睡眠不足、昼夜节律失调、工作负荷、情绪压力和决策疲劳²²。

这一问题在临床环境中尤为突出，因为受训人员需要通宵工作、管理大量患者、执行操作程序，并在不确定的情况下反复做出决策。睡眠不足和疲劳已被证实与警觉性下降、执行控制能力受损、精神运动速度减慢、情绪调节障碍以及医疗错误风险增加相关²³^,²⁴^,²⁵^,²⁶^,²⁷。外科和操作技能可能尤为易受影响，因其依赖持续的注意力、精细的运动精确性以及快速的情境判断能力。综述和模拟器研究显示，睡眠剥夺与外科操作灵巧性及危机管理能力的变化存在关联²⁸^,²⁹^,³⁰。在患者层面和操作层面的研究结果则更为异质，强调需谨慎解读这些发现³¹^,³²^,³³。有关值班时长的研究，包括iCOMPARE及相关随机试验，表明睡眠、交接班、工作负荷、患者安全和教学效果之间相互关联，而不能简化为单一的排班变量³⁴^,³⁵^,³⁶^,³⁷^,³⁸。

状态依赖的绩效变异性通常是短暂的、情境性的，难以通过传统的基于工作场所的评估工具捕捉。夜班后出现的一次表现不佳可能反映了持久的学习需求、短暂的疲劳相关失误、工作负荷过重、监督不足，或这些因素的综合作用。神经生理学监测已被提出作为表征学习与实践过程中认知状态的补充方法。脑电图（EEG）能够捕捉快速的神经振荡活动和事件相关电位，而功能性近红外光谱成像（fNIRS）则可追踪皮层血流动力学变化，特别是在参与执行控制的前额叶区域。这些监测手段可能提供关于工作负荷、警觉性和疲劳状态的情境性指标。然而，它们不应被解读为能力水平的有效度量指标，也不应作为监管决策或授权决定的直接依据。

本叙述性综述与展望整合了睡眠剥夺和决策疲劳与临床表现之间关联的证据，总结了与疲劳和认知负荷相关的脑电图（EEG）和功能性近红外光谱（fNIRS）特征，并提出了一种基于能力的医学教育-脑机接口-疲劳（CBME-BCI-Fatigue）框架。本文的目的并非提出一个已确立的评估系统，而是为了阐明一项研究议程，以实现对睡眠易损性医学培训环境中学员表现的状态感知解释。图1展示了所提出的框架，说明了在未来具有疲劳感知能力的医学培训研究中，状态依赖性表现调节因素、神经生理学与多模态监测、基于能力的解释、人工智能支持的数据整合以及自适应反馈可能如何相互关联。

访问受限。请登录或开始试用以查看此内容。

综述与观点

检索策略

本文以叙述性综述和观点阐述为主，而非系统性综述、范围综述或荟萃分析。我们检索了PubMed、PsycINFO、Web of Science核心合集以及ERIC数据库，检索时间从各数据库建库起始日至2025年12月31日。检索词组合涵盖了与睡眠剥夺、睡眠限制、疲劳、决策疲劳、临床表现、基于能力的医学教育（CBME）、认知工作负荷、脑电图（EEG）、功能性近红外光谱成像（fNIRS）、脑-计算机接口（BCIs）及医学培训相关的概念。此外，还进行了针对性的更新检索，以纳入近期与睡眠和疲劳监测相关的fNIRS文献。

在以下四个领域中直接提供信息的文献被优先选择：与睡眠或疲劳相关的神经认知和临床表现变化；通过脑电图（EEG）或功能性近红外光谱（fNIRS）获得的疲劳、工作负荷、警觉性或睡眠相关易损性的生物标志物；与将生理状态信息整合到基于能力的医学教育（CBME）相关的概念性或应用性研究；以及与教育应用相关的伦理或实施问题。文献的选择并非旨在全面涵盖所有关于睡眠、脑机接口（BCI）或神经技术的文献。除非这些研究能直接为学员表现的疲劳感知解释提供依据，否则以基础神经科学、设备工程或治疗性神经调节为主要研究内容的论文未被优先考虑。未进行正式的偏倚风险评估或荟萃分析整合；研究结果以描述性和批判性的方式综合，以支持一种概念性、假设生成的理论框架。

新颖性贡献与目标读者

本综述的创新之处在于围绕一个特定的教育问题，将若干相关但通常被分别讨论的研究领域联系起来——住院医师疲劳、睡眠剥夺、决策疲劳、认知负荷、神经生理监测以及基于能力的医学教育（CBME）评估。这一核心问题是：当培训对象的认知状态可能因睡眠不足、决策疲劳或工作负荷而暂时改变时，教育者应如何解读其临床表现。目标读者为医学教育工作者、临床教学医师、培训项目负责人以及对基于疲劳认知的培训对象表现解读感兴趣的研究人员。所提出的CBME-BCI-疲劳框架旨在梳理未来的研究问题并明确验证要求，而非用于验证一个可操作的监测系统，也不支持当前高风险的评估决策。

基于能力的医学教育中能力的动态表现

基于能力的医学教育（CBME）最初的出发点并不仅仅是创建新的评估形式，而是使医学教育与患者及卫生系统的需求保持一致。CBME强调根据能力水平 progression、个性化的学习路径，以及学习者能够在适当监督下开展有意义的临床活动的证据⁵^,⁶。国家和地区层面的能力框架，包括中国住院医师能力框架以及i-FIRST人才发展讨论，为课程设计、学习者培养和教育问责提供了结构化的语言体系⁷^,⁸。与此同时，有关CBME实施的文献也指出，仍存在对可行性、师资培养、评估负担，以及将复杂的临床专业实践简化为检查表行为的风险等持续担忧⁹^,¹⁰。

可衡量的专业活动（EPAs）和授权决策具有特别重要的影响，因为它们将评估与临床问题联系起来，即学习者在特定专业活动中需要多少监督¹¹^,¹²^,¹³^,¹⁴。EPA的实施还强调，授权判断是针对学习者、任务、情境和监督水平的综合评估，而不仅仅是嵌入培训对象体内的固定特质¹⁵。同样，学习曲线和学习分析有助于教育工作者识别随时间变化的学习轨迹，而非过度解读单个数据点¹⁶^,¹⁷。精准教育、教育护照、以掌握为导向的学习环境以及辅导机制进一步强化了评估应支持发展、反馈和适应性支持的理念¹⁸^,¹⁹^,²⁰^,²¹。

基于状态的视角拓展了这一逻辑。如果一名受训者在长时间清醒或高强度认知工作后表现不佳，评估的问题不仅在于该受训者是否缺乏能力，还在于所观察到的行为是否反映了与疲劳相关的脆弱性、工作负荷过重、监督不足、系统设计缺陷，或任务需求与认知状态之间的不匹配。稳定的技能差距可能需要通过刻意练习和指导来弥补；而由疲劳引起的失误则可能需要制定恢复计划、重新设计工作负荷、调整监督方式或在排班层面进行干预。因此，具备状态意识的评估并非重新定义能力，而是改善了对绩效数据进行解读的背景，降低了将暂时性功能受损误判为持久性能力不足的风险。

睡眠剥夺、昼夜节律紊乱与决策疲劳

睡眠剥夺和疲劳是影响医生表现的普遍因素，但其重要性常被低估。在临床培训中，长时间轮班、夜班、不可预测的工作量以及频繁的交接班使受训者暴露于可能损害警觉性和决策能力的环境中。关于医生睡眠与健康状况的研究表明，睡眠不足和与倦怠相关的痛苦与具有临床意义的医疗差错相关²³。长时间轮班还与注意力缺失、医疗差错及不良事件的增加有关²⁴。住院医师的疲劳和心理压力还可能影响其自我报告的医疗差错，提示表现风险部分源于行为因素，部分源于认知因素，部分源于系统层面的因素²⁵。

针对医学生和医生的观察性与实验性研究进一步印证了这一担忧。轮转实习医生和住院医师在长时间值班期间，睡眠机会减少，警觉性模式发生改变²⁶。一项具有里程碑意义的试验表明，在重症监护病房中缩短实习医生的工作时长，可减少严重医疗差错的发生²⁷。外科及操作类研究显示，睡眠剥夺可能损害模拟操作的灵巧性以及危机管理能力²⁸^,²⁹^,³⁰。针对患者层面和操作层面的研究结果则更具异质性，不应被过度简化³¹^,³²^,³³。不同专科、培训阶段、病例复杂程度、监督水平、团队结构及结局类型之间的差异，可能解释为何与疲劳相关的功能下降在警觉性、模拟表现和过程指标方面比在最终患者结局中更为明显。

值班时间试验说明了为何基于疲劳的教育不能仅依赖轮班时长。iCOMPARE 试验发现，在选定的教育结果和患者安全结果方面，灵活的值班时间政策不劣于标准政策³⁴^,³⁵。伴随分析报告指出，在灵活的值班时间规定下，睡眠和警觉性并不一定会恶化³⁶。相比之下，一项不包含24小时轮班的随机试验表明，取消延长班次并未普遍改善患者安全³⁷。另一项关于延长工作班次的研究发现，住院医师的神经行为表现受到影响³⁸。综合来看，这些研究结果表明，睡眠机会、工作负荷、连续性、交接班和监督之间以复杂的方式相互作用。

更广泛的睡眠科学文献提供了机制性背景。睡眠紊乱会损害持续注意力、工作记忆、反应抑制、情绪调节以及复杂任务的表现³⁹^,⁴⁰^,⁴¹^,⁴²。不规律或不稳定的睡眠作息也可能影响学业表现和认知功能，表明除了睡眠时长外，睡眠的稳定性同样重要⁴³^,⁴⁴。慢性睡眠限制即使在周末得到恢复，仍可能对表现和身心健康留下残余影响⁴⁵。在医学教育中，这些发现尤为重要，因为培训评估通常在清醒状态下进行，却很少记录表现所依赖的学习者状态。

决策疲劳则引入了一种相关但不同的机制。它指的是在经历重复或费力的决策之后，决策质量出现下降，尤其当这些决策需要自我控制、应对不确定性或进行价值权衡时更为明显⁴⁶。临床决策通常涉及在时间压力下的分诊、处方开具、治疗升级、文书记录以及交接班等环节。近期关于处方行为的研究表明，任务持续时间以及累积的决策负荷可能会影响临床决策选择⁴⁷。此外，夜班导致的疲劳还可能改变放射科医生的阅片模式和诊断表现⁴⁸。然而，对于决策疲劳应谨慎解读，因为现有文献在方法学上存在异质性，且其效应可能因任务类型、工作环境和临床医生个体差异而有所不同。

疲劳与认知负荷的脑电图（EEG）和功能性近红外光谱（fNIRS）标志物

脑电图（EEG）已被广泛用于研究警觉性、睡眠压力、疲劳和心理负荷。在针对医生的研究中，通宵值班后的定量脑电图显示，theta、alpha 和 beta 活动发生变化，与心理疲劳的表现一致⁴⁹^,⁵⁰。这些研究具有重要意义，因为它们使神经生理学评估更接近真实的临床工作环境，而不仅仅依赖于实验室中的睡眠剥夺范式。然而，这些研究仍属于观察性研究，本身无法确立脑电图是否能够判断住院医师是否已准备好执行某项特定的临床任务。

基于脑电图（EEG）特征的解读范围远不止通常提到的θ波或α/β波变化。前额叶EEG工作负荷研究表明，频谱和区域模式可用于工作负荷估计⁵¹。睡眠剥夺EEG研究已探讨了睡眠缺失后频谱活动的变化⁵²。θ频段具有双重解释性：它可能反映睡眠压力，但也可能参与认知控制，这一点使简单的疲劳分类变得复杂⁵³。实时工作记忆监测研究及驾驶状态分类研究进一步表明，EEG特征可嵌入脑机接口（BCI）风格的处理流程中，但这些流程仍对任务设计、预处理方法和个体差异敏感⁵⁴^,⁵⁵。可靠性研究及神经工效学验证工作强调，电极配置、预处理选择、主观指标和任务设计均会影响工作负荷指数⁵⁶^,⁵⁷。近期多层级认知负荷预测研究提示，结合空间、时间和频谱特征可提升分类性能⁵⁸。

功能性近红外光谱成像（fNIRS）通过测量血流动力学变化，包括氧合血红蛋白、脱氧血红蛋白和总血红蛋白，提供互补信息。关于疲劳与睡眠剥夺的fNIRS文献支持其在测量认知努力的皮层相关性、警觉性下降以及社会认知变化方面的相关性⁵⁹。聚焦睡眠的fNIRS综述进一步表明，光学血流动力学信号可如何助力睡眠研究与疲劳检测⁶⁰。一项2026年近期研究展示了结合EEG验证的非快速眼动睡眠区分的 cardiac-band fNIRS 生物标志物，体现出人们对频域及 cardiac-band 特征（而不仅限于简单的HbO振幅）日益增长的兴趣⁶¹。综上，这些文献支持在特征层面上进行讨论，包括HbO、HbR、HbT、时域响应、功能连接性以及频域生物标志物。

前额叶功能近红外光谱（fNIRS）研究尤为重要，因为执行控制、反应抑制和工作负荷调节在很大程度上依赖于额叶系统。睡眠剥夺与额叶皮层任务相关功能连接的改变有关⁶²。相关研究发现，睡眠剥夺后额叶功能连接性下降⁶³。针对短睡眠时间青年人的研究也表明，前额叶血流动力学反应可能随睡眠行为和体力活动而变化⁶⁴。可穿戴式fNIRS已结合机器学习用于自动认知疲劳检测⁶⁵。混合型脑电-功能近红外（EEG-fNIRS）系统可通过整合功能性脑连接和互补的信号特性，提高工作负荷分类的准确性⁶⁶^,⁶⁷。总体而言，这些研究支持将EEG和fNIRS作为研究工具以及潜在的情境指标，但目前尚不能将其作为医学培训中经过验证的准备状态评估指标。

表1因此旨在作为特征层面的映射，而非经过验证的生物标志物的层级结构。该表区分了脑电图（EEG）的频谱、事件相关、时间及连接性特征，以及功能性近红外光谱（fNIRS）的基于振幅、时域、连接性及频域或心率带特征。这种区分至关重要，因为每个特征类别捕捉的是疲劳负荷构念的不同维度，并伴随不同的伪迹和解释风险。例如，较高的theta/alpha比值、降低的P300波幅或前额叶氧合血红蛋白（HbO）水平下降可能与疲劳状态一致，但也可能反映任务难度、代偿性努力、应激状态、传感器配置或个体基线差异。本表旨在支持研究设计、构念对齐及谨慎解释，而非用于定义能力、授权或临床准备状态的操作阈值。

脑机接口、多模态融合与教育应用

非侵入性脑机接口（BCI）和可穿戴神经生理技术已在医学、工程学和教育领域迅速扩展。关于基于可穿戴脑电图（EEG）的脑机接口设备的综述突出了其在便携性和医学应用方面的进展⁶⁸。更广泛的前沿综述强调，尽管非侵入性脑机接口系统正在不断改进，但在信号质量、可用性、校准和鲁棒性方面仍存在局限性⁶⁹^,⁷⁰^,⁷¹^,⁷²。这些限制对医学教育尤为重要，因为教育工具不仅需要在受控环境中具备准确性，还必须具备可行性、可接受性、可解释性，并与教育建构相一致。

最具说服力的教育应用包括模拟训练、研究以及低风险反馈。虚拟现实（VR）腹腔镜培训可将操作表现数据与工作负荷相关信号同步，以研究认知负荷与程序性学习之间的关系⁷³。模拟神经外科任务已结合人工智能（AI）与脑电图（EEG）技术来区分不同专业水平，表明可通过此类方法研究技能习得过程，而非取代教师的判断⁷⁴。严肃游戏与混合现实环境已利用生物传感器分析技术来估计情感参与程度⁷⁵。可穿戴式脑-机接口（BCI）系统可根据认知负荷自适应调整学习速度，展示了在低风险教育情境中实现状态敏感型反馈的可能机制⁷⁶。便携式睡眠检测研究则表明，多模态时间序列数据可用于实验室外的长期监测⁷⁷。这些实例应被理解为支持性证据或概念验证，而非用于高风险委托决策或补救措施的有效性验证。

人工智能辅助的睡眠分期研究展示了机器学习方法如何对与睡眠相关的生理时间序列进行分类⁷⁸^,⁷⁹^,⁸⁰。目标记忆再激活、可穿戴神经调控、疲劳干预以及无线功能近红外光谱系统进一步说明了生理信号如何被追踪或用于自适应反馈架构中⁸¹^,⁸²^,⁸³^,⁸⁴^,⁸⁵。这些研究在技术上具有参考价值，但除非将其与日间表现、反馈时机、督导决策或培训情境中的学习者支持联系起来，否则其直接的教育相关性有限。因此，这些研究应被视为方法学上的桥梁，而非证明基于能力的医学教育（CBME）中具备疲劳感知能力的评估已准备就绪可用于常规实践的证据。

工作场所的转化研究比模拟环境需要更加谨慎。真实的临床环境会引入运动伪影、干扰、情绪压力、团队协作要求、患者病情严重程度的差异、任务目标的可变性，以及培训人员与上级监督者之间隐含的权力动态。因此，基于工作场所评估中的生理数据应为自愿提供、低风险且具有情境性。合理应用包括总体疲劳风险绘图、排班评估、模拟训练后的复盘，或由学习者自主控制的反馈。不合理应用则包括将脑电图（EEG）、功能性近红外光谱（fNIRS）或多模态指标的阈值作为委托职责、晋升、补救培训或纪律处分的独立证据。

已有证据与概念延伸

本文综述的一个核心区别在于已有证据与概念性延伸之间的差异。已有证据表明，睡眠剥夺、昼夜节律紊乱、长时间清醒和疲劳会损害与临床工作相关的神经认知功能域²³^,²⁴^,²⁵^,²⁶^,²⁷。荟萃分析和实验研究进一步支持疲劳对注意力、执行控制、情绪调节以及复杂任务表现的影响³⁹^,⁴⁰^,⁴¹^,⁴²。医学实践和操作类研究表明，疲劳可能影响错误风险、诊断性搜索、危机管理和技术操作表现²⁸^,²⁹^,³⁰^,⁴⁸。然而，操作层面和结局相关研究也显示出异质性，提示不应简单地将疲劳与临床损害进行一对一解读³¹^,³²^,³³。值班时长试验表明，关注疲劳的政策必须综合考虑工作时长设计、睡眠机会、工作负荷、交接班、医疗连续性以及教育影响³⁴^,³⁵^,³⁶^,³⁷^,³⁸。针对医师的脑电图（EEG）研究和工作负荷范式支持神经系统对疲劳和认知负荷的敏感性⁴⁹^,⁵⁰^,⁵¹，而功能性近红外光谱（fNIRS）、可穿戴设备以及混合式EEG-fNIRS研究则提供了互补的血流动力学和多模态证据⁵⁹^,⁶⁰^,⁶¹^,⁶²^,⁶³^,⁶⁴^,⁶⁵^,⁶⁶^,⁶⁷。

概念上的延伸是指生理状态指标可能有助于在基于能力的医学教育（CBME）中对学员表现进行情境化解读。这一延伸具有合理性，但尚未得到验证。尽管有证据表明睡眠剥夺会改变神经活动，但这并不意味着实时监测必然能够产生可操作的监管或教学决策。目前，尚未发现具有普适性的、可实时识别个体在不同任务、专业和操作环境中认知不稳定或临床准备状态的神经或血流动力学活动模式。相同的生理活动模式可能反映的是疲劳、认知努力、焦虑、动机、任务难度、代偿性参与、传感器伪影、环境应激或个体基线差异。

因此，CBME-BCI-疲劳框架应被视为一种研究模型，而非已实施的评估系统。其目的在于阐明状态依赖性调节因素、生理与行为监测以及基于能力的表现评估解释如何能够被共同研究。在模拟环境或其他低风险研究情境中，可同时收集脑电图（EEG）或功能性近红外光谱（fNIRS）特征与任务错误、反应时间、工作负荷评分、睡眠史、精神运动警觉性测试及上级反馈等数据，以检验状态指标是否有助于解释表现的变异性。在工作场所评估情境中，生理数据的使用需更加谨慎。根据当前的证据基础，此类数据可能最适用于群体层面的疲劳风险研究、排班设计或自愿性的学习者支持。不应将生理数据作为委托职责、晋升、补救措施或纪律处分决策的独立依据。表2通过在CBME-BCI-疲劳框架内区分已有确凿证据、概念性延伸、验证要求以及代表性支持文献，对上述差异进行了总结。

结构效度、增量价值、个体基线与治理

构念效度是疲劳感知神经生理监测中的核心方法学挑战。脑电图（EEG）和功能性近红外光谱（fNIRS）信号并非疲劳或准备状态的特异性指标；它们还可能反映任务难度、焦虑、动机、认知努力、代偿性参与、环境应激、传感器伪迹或个体基线差异。因此，未来的研究应预先明确定义所测量的教育构念，阐明生理状态与行为表现之间的预期关系，并通过将生理信号与行为、情境及教育数据进行三角验证，而非将单一生理信号解释为能力的直接指标。

还必须证明其增量价值。应将脑电图（EEG）/功能性近红外光谱（fNIRS）监测与更简单且可行的替代方法进行比较评估，这些方法包括睡眠记录、活动记录仪、精神运动警觉性测试、简短认知筛查、工作负荷评分、行为遥测以及专家观察。只有当神经生理学方法在解释力、预测能力、反馈时效性或学习者支持方面优于上述手段时，该方法的应用才具有合理性。若缺乏此类证据，多模态监测可能会增加复杂性，却无法改善教育决策。

个体基线建模至关重要。个体间在神经活动、睡眠易感性、昼夜节律类型、应激反应、临床经验以及传感器贴合度方面的差异，限制了通用阈值的应用价值。针对学员个体的基线有助于区分由疲劳引起的异常偏离与正常的生理波动，但这需要进行重复测量、可靠的传感器定位、标准化的任务锚点以及透明的分析模型。机器学习可能有助于整合多模态信号，但无法解决无效的构念、有偏的数据、低质量的信号或因果假设不明确等问题。领域自适应、隐私保护算法和生成式建模可能减轻部分校准负担，但在用于支持教育决策之前，仍需更广泛的验证⁸⁶^,⁸⁷。

技术和生态方面的障碍仍然显著。脑电图（EEG）易受运动伪迹、电极阻抗、环境噪声、导联方式依赖性以及预处理方法选择的影响。功能性近红外光谱成像（fNIRS）则受到光极放置位置、头皮血流、运动、头发、穿透深度有限以及时间分辨率较低的影响。可穿戴系统正在不断改进，包括用于认知活动监测的小型无线fNIRS设备⁸⁵，但舒适性和可行性并不能确立其教育有效性。系统的部署还需要与工作流程兼容的设置、易于解读的报告、数据安全性和终端用户的接受度。社会接受度研究提醒我们，用户信任和对使用目的的感知是技术得以推广的核心因素⁸⁸。

伦理治理应被视为该框架的边界条件，而非事后补充。神经生理学数据可能揭示或暗示有关疲劳、注意力、情绪或健康状况的信息。神经技术的负责任发展需要遵循目的限制、数据最小化、安全存储、透明性、访问控制，并对自主性和知情同意给予审慎关注⁸⁹^,⁹⁰。联网的脑机接口（BCI）系统还引发网络安全方面的担忧，尤其是当解码输出影响反馈、训练机会或与安全相关的决策时⁹¹。在教育领域，学习者可能感受到参与的隐性压力，而如果模型在不同人群或情境中的表现不一致，生理指标可能会无意中加剧偏见。未来的研究应优先考虑尽可能实现自愿参与、明确区分支持性反馈与高利害评判、建立申诉机制，以及由利益相关方参与的治理模式。

访问受限。请登录或开始试用以查看此内容。

结论

睡眠剥夺和决策疲劳是导致注意力、执行控制、心理运动表现及临床决策等状态依赖性变异的已知因素。在医学培训中，这些波动可能使对所观察到的能力水平的解释变得复杂，尤其是在急诊医学、重症监护、麻醉学和外科等高要求环境中。因此，在基于能力的医学教育中，当跨时间和情境解读绩效数据时，若能更明确地关注生理和认知状态，或将有所裨益。

脑电图（EEG）和功能性近红外光谱成像（fNIRS）在测量与疲劳相关的神经生理和血流动力学变化方面具有良好的应用前景，但其在医学教育中用于实时评估准备状态仍处于概念阶段。现有证据支持其作为研究工具和情境指标的相关性，但尚不能作为能力的独立衡量标准，或作为监管决策的有效验证触发依据。主要局限性包括个体差异性、操作层面验证不足、信号伪影、可行性限制、相对于简短的认知和行为评估其增量价值不明确，以及涉及隐私和监控的伦理问题。

因此，CBME-BCI-疲劳框架应被视为未来研究的一种视角模型。其价值在于阐明睡眠科学、神经生理监测和基于能力的评估如何整合，以生成可验证的疲劳感知培训假设。未来的研究应优先开展前瞻性验证，与既定...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

致谢

作者衷心感谢本单位重症医学科和教育科的同事在撰写本综述过程中给予的支持与讨论。本研究得到了浙江省教育厅一般科研项目（项目编号：Y202557476）的资助。

访问受限。请登录或开始试用以查看此内容。

参考文献

Epstein RM, Hundert EM. Defining and assessing professional competence. JAMA. 2002;287(2):226–235.
McClelland DC. Testing for competence rather than for “intelligence”. Am Psychol. 1973;28(1):1–14.
Swing SR. The ACGME Outcome Project: retrospective and prospective. Med Teach. 2007;29(7):648–654.
Frank JR et al. Competency-based medical education: theory to practice. Med Teach. 2010;32(8):638–645.
Cooper D, Holmboe ES. Competency-based medical education at the front lines of patient care. N Engl J Med. 2025;393(4):376–388.
Caccia N, Nakajima A, Kent N. Competency-based medical education: the wave of the future. J Obstet Gynaecol Can. 2015;37(4):349–353.
China Consortium of Elite Teaching Hospitals for Residency Education. Consensus on core competency framework for residency education among China Consortium of Elite Teaching Hospitals for Residency Education [in Chinese]. Med J Peking Union Med Coll Hosp. 2022;13(1):17–23.
Chen S et al. Competency-based i-FIRST talent development: leadership. China Higher Med Educ. 2025;(1):20–21, 45. doi:10.3969/j.issn.1002-1701.2025.01.006.
Danilovich N et al. Implementing competency-based medical education in family medicine: a narrative review of current trends in assessment. Fam Med. 2021;53(1):9–22.
Hawkins RE et al. Implementation of competency-based medical education: are we addressing the concerns and challenges. Med Educ. 2015;49(11):1086–1102.
Ten Cate O et al. Entrustment decision making: extending Miller’s pyramid. Acad Med. 2021;96(2):199–204.
Dine CJ, Conforti LN, Holmboe ES, Kogan JR. Accuracy of entrustment-based assessment: implications for programs and patients. J Grad Med Educ. 2024;16(1):30–36.
Tekian A et al. Entrustment decisions: implications for curriculum development and assessment. Med Teach. 2020;42(6):698–704.
Ten Cate O. Entrustment as assessment: recognizing the ability, the right, and the duty to act. J Grad Med Educ. 2016;8(2):261–262.
Carraccio C, Martini A, Van Melle E, Schumacher DJ. Identifying core components of EPA implementation: a path to knowing if a complex intervention is being implemented as intended. Acad Med. 2021;96(9):1332–1336.
Pusic MV et al. Learning curves in health professions education. Acad Med. 2015;90(8):1034–1042.
Smith BK et al. The use of learning analytics to enable detection of underperforming trainees: an analysis of national vascular surgery trainee ACGME milestones assessment data. Ann Surg. 2023;277(4)–e977.
Desai SV et al. Precision education: the future of lifelong learning in medicine. Acad Med. 2024;99(4S Suppl 1)–S20.
Warm EJ et al. The education passport: connecting programmatic assessment across learning and practice. Can Med Educ J. 2022;13(4):82–91.
Ross S, Pirraglia C, Aquilina AM, Zulla R. Effective competency-based medical education requires learning environments that promote a mastery goal orientation: a narrative review. Med Teach. 2022;44(5):527–534.
Baenziger K, Chan M, Colman S. Coaching in postgraduate competency-based medical education: a qualitative exploration of three models. Acad Psychiatry. 2023;47(1):10–17.
Taylor TS et al. Principles of fatigue in residency education: a qualitative study. CMAJ Open. 2016;4(2)–E204.
Trockel MT et al. Assessment of physician sleep and wellness, burnout, and clinically significant medical errors. JAMA Netw Open. 2020;3(12).
Barger LK et al. Impact of extended-duration shifts on medical errors, adverse events, and attentional failures. PLoS Med. 2006;3(12).
West CP et al. Association of resident fatigue and distress with perceived medical errors. JAMA. 2009;302(12):1294–1300.
Basner M et al. Sleep and alertness in medical interns and residents: an observational study on the role of extended shifts. Sleep. 2017;40(4). doi:10.1093/sleep/zsx027.
Landrigan CP et al. Effect of reducing interns’ work hours on serious medical errors in intensive care units. N Engl J Med. 2004;351(18):1838–1848.
Sugden C, Athanasiou T, Darzi A. What are the effects of sleep deprivation and fatigue in surgical practice. Semin Thorac Cardiovasc Surg. 2012;24(3):166–175.
Arzalier-Daret S et al. Effect of sleep deprivation after a night shift duty on simulated crisis management by residents in anaesthesia: a randomised crossover study. Anaesth Crit Care Pain Med. 2018;37(2):161–166.
Maltese F et al. Night shift decreases cognitive performance of ICU physicians. Intensive Care Med. 2016;42(3):393–400.
Rothschild JM et al. Risks of complications by attending physicians after performing nighttime procedures. JAMA. 2009;302(14):1565–1572.
Taffinder NJ et al. Effect of sleep deprivation on surgeons’ dexterity on laparoscopy simulator. Lancet. 1998;352(9135):1191.
Howard SK et al. Simulation study of rested versus sleep-deprived anesthesiologists. Anesthesiology. 2003;98(6):1345–1355.
Desai SV et al. Education outcomes in a duty-hour flexibility trial in internal medicine. N Engl J Med. 2018;378(16):1494–1508.
Silber JH et al. Patient safety outcomes under flexible and standard resident duty-hour rules. N Engl J Med. 2019;380(10):905–914.
Basner M et al. Sleep and alertness in a duty-hour flexibility trial in internal medicine. N Engl J Med. 2019;380(10):915–923.
Landrigan CP et al. Effect on patient safety of a resident physician schedule without 24-hour shifts. N Engl J Med. 2020;382(26):2514–2523.
Rahman SA et al. Extended work shifts and neurobehavioral performance in resident physicians. Pediatrics. 2021;147(3). doi:10.1542/peds.2020-009936.
Wickens CD, Hutchins SD, Laux L, Sebok A. The impact of sleep disruption on complex cognitive tasks: a meta-analysis. Hum Factors. 2015;57(6):930–946.
Lowe CJ, Safati A, Hall PA. The neurocognitive consequences of sleep restriction: a meta-analytic review. Neurosci Biobehav Rev. 2017;80:586–604.
Lim J, Dinges DF. A meta-analysis of the impact of short-term sleep deprivation on cognitive variables. Psychol Bull. 2010;136(3):375–389.
Tomaso CC, Johnson AB, Nelson TD. The effect of sleep deprivation and restriction on mood, emotion, and emotion regulation: three meta-analyses in one. Sleep. 2021;44(6). doi:10.1093/sleep/zsaa289.
Phillips AJK et al. Irregular sleep/wake patterns are associated with poorer academic performance and delayed circadian and sleep/wake timing. Sci Rep. 2017;7(1):3216.
Koa TB, Lo JC. Neurobehavioural functions during variable and stable short sleep schedules. J Sleep Res. 2021;30(4).
Smith MG et al. Effects of six weeks of chronic sleep restriction with weekend recovery on cognitive performance and wellbeing in high-performing adults. Sleep. 2021;44(8). doi:10.1093/sleep/zsab051.
Pignatiello GA, Martin RJ, Hickman RL Jr. Decision fatigue: a conceptual analysis. J Health Psychol. 2020;25(1):123–135.
Maier M et al. Assessing decision fatigue in general practitioners’ prescribing decisions using the Australian BEACH data set. Med Decis Making. 2024;44(6):627–640.
Hanna TN et al. The effects of fatigue from overnight shifts on radiology search patterns and diagnostic performance. J Am Coll Radiol. 2018;15(12):1709–1716.
Su AT, Xavier G, Kuan JW. The measurement of mental fatigue following an overnight on-call duty among doctors using electroencephalogram. PLoS One. 2023;18(7).
Xavier G, Su Ting A, Fauzan N. Exploratory study of brain waves and corresponding brain regions of fatigue on-call doctors using quantitative electroencephalogram. J Occup Health. 2020;62(1).
So WKY, Wong SWH, Mak JN, Chan RHM. An evaluation of mental workload with frontal EEG. PLoS One. 2017;12(4).
Forest G, Godbout R. Effects of sleep deprivation on performance and EEG spectral analysis in young adults. Brain Cogn. 2000;43(1–3):195–200.
Snipes S, Krugliakova E, Meier E, Huber R. The theta paradox: 4–8 Hz EEG oscillations reflect both sleep pressure and cognitive control. J Neurosci. 2022;42(45):8569–8586.
Mora-Sanchez A et al. A brain-computer interface for the continuous, real-time monitoring of working memory load in real-world environments. Cogn Neurodyn. 2020;14(3):301–321.
Zeng H et al. A LightGBM-based EEG analysis method for driver mental states classification. Comput Intell Neurosci. 2019;2019:3761203.
Mastropietro A et al. Reliability of mental workload index assessed by EEG with different electrode configurations and signal pre-processing pipelines. Sensors (Basel). 2023;23(3):1367.
Bjegojevic B et al. Neuroergonomic attention assessment in safety-critical tasks: EEG indices and subjective metrics validation in a novel task-embedded reaction time paradigm. Brain Sci. 2024;14(10):1009.
Liu Y et al. Fusion of spatial, temporal, and spectral EEG signatures improves multilevel cognitive load prediction. IEEE Trans Hum Mach Syst. 2023;53(2):357–366.
Pan Y, Borragán G, Peigneux P. Applications of functional near-infrared spectroscopy in fatigue, sleep deprivation, and social cognition. Brain Topogr. 2019;32(6):998–1012.
Huang M et al. An overview on sleep research based on functional near-infrared spectroscopy [in Chinese]. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2021;38(6):1211–1218.
Hasim YS et al. Cardiac-band fNIRS biomarkers for non-REM sleep stage differentiation: a frequency-domain evaluation with EEG validation. J Innov Opt Health Sci. 2026. doi:10.1142/S1793545826500100.
Mukli P et al. Sleep deprivation alters task-related changes in functional connectivity of the frontal cortex: a near-infrared spectroscopy study. Brain Behav. 2021;11(8).
Verweij IM et al. Sleep deprivation leads to a loss of functional connectivity in frontal brain regions. BMC Neurosci. 2014;15(1):88.
You Y et al. Cognitive performance in short sleep young adults with different physical activity levels: a cross-sectional fNIRS study. Brain Sci. 2023;13(2):171.
Varandas R et al. Automatic cognitive fatigue detection using wearable fNIRS and machine learning. Sensors (Basel). 2022;22(11):4010.
Cao J, Garro EM, Zhao Y. EEG/fNIRS-based workload classification using functional brain connectivity and machine learning. Sensors (Basel). 2022;22(19):7623.
Hong KS, Khan MJ, Hong MJ. Feature extraction and classification methods for hybrid fNIRS-EEG brain-computer interfaces. Front Hum Neurosci. 2018;12:246.
Zhang J et al. Recent progress in wearable brain-computer interface devices based on electroencephalogram for medical applications: a review. Health Data Sci. 2023;3:0096.
Edelman BJ et al. Non-invasive brain-computer interfaces: state of the art and trends. IEEE Rev Biomed Eng. 2025;18:26–49.
Rashid M et al. Current status, challenges, and possible solutions of EEG-based brain-computer interface: a comprehensive review. Front Neurorobot. 2020;14:25.
Xu M et al. Current challenges for the practical application of electroencephalography-based brain-computer interfaces. Engineering. 2021;7(12):1710–1712.
Maiseli B et al. Brain-computer interface: trend, challenges, and threats. Brain Inform. 2023;10(1):20.
Yu P et al. Quantitative influence and performance analysis of virtual reality laparoscopic surgical training system. BMC Med Educ. 2022;22(1):92.
Natheir S et al. Utilizing artificial intelligence and electroencephalography to assess expertise on a simulated neurosurgical task. Comput Biol Med. 2023;152:106286.
Antoniou PE et al. Biosensor real-time affective analytics in virtual and mixed reality medical education serious games: cohort study. JMIR Serious Games. 2020;8(3).
Beauchemin N et al. Enhancing learning experiences: EEG-based passive BCI system adapts learning speed to cognitive load in real time, with motivation as catalyst. Front Hum Neurosci. 2024;18:1416683.
Sano A, Chen W, Lopez-Martinez D, Taylor S, Picard RW. Multimodal ambulatory sleep detection using LSTM recurrent neural networks. IEEE J Biomed Health Inform. 2019;23(4):1607–1617.
Kong G, Li C, Peng H, Han Z, Qiao H. EEG-based sleep stage classification via neural architecture search. IEEE Trans Neural Syst Rehabil Eng. 2023;31:1075–1085.
Yao H, Liu T, Zou R, Ding S, Xu Y. A spatial-temporal transformer architecture using multi-channel signals for sleep stage classification. IEEE Trans Neural Syst Rehabil Eng. 2023;31:3353–3362.
Eldele E et al. Self-supervised learning for label-efficient sleep stage classification: a comprehensive evaluation. IEEE Trans Neural Syst Rehabil Eng. 2023;31:1333–1342.
Ngo HV, Staresina BP. Shaping overnight consolidation via slow-oscillation closed-loop targeted memory reactivation. Proc Natl Acad Sci U S A. 2022;119(44).
Bressler S, Neely R, Yost RM, Wang D, Read HL. A wearable EEG system for closed-loop neuromodulation of sleep-related oscillations. J Neural Eng. 2023;20(5). doi:10.1088/1741-2552/acfb3b.
Gervais C, Hjeij D, Fernandez-Puerta L, Arbour C. Non-pharmacological interventions for sleep disruptions and fatigue after traumatic brain injury: a scoping review. Brain Inj. 2024;38(6):403–416.
Herrero Babiloni A et al. The effects of non-invasive brain stimulation on sleep disturbances among different neurological and neuropsychiatric conditions: a systematic review. Sleep Med Rev. 2021;55:101381.
Victorio M et al. Wearable wireless functional near-infrared spectroscopy system for cognitive activity monitoring. Biosensors (Basel). 2025;15(2):92.
Wen S et al. Rapid adaptation of brain-computer interfaces to new neuronal ensembles or participants via generative modelling. Nat Biomed Eng. 2023;7(4):546–558.
Xia K, Deng L, Duch W, Wu D. Privacy-preserving domain adaptation for motor imagery-based brain-computer interfaces. IEEE Trans Biomed Eng. 2022;69(11):3365–3376.
Xia R, Yang S. Factors influencing the social acceptance of brain-computer interface technology among Chinese general public: an exploratory study. Front Hum Neurosci. 2024;18:1423382.
Goering S et al. Recommendations for responsible development and application of neurotechnologies. Neuroethics. 2021;14(3):365–386.
Ienca M, Andorno R. Towards new human rights in the age of neuroscience and neurotechnology. Life Sci Soc Policy. 2017;13(1):5.
Ajrawi S, Rao R, Sarkar M. Cybersecurity in brain-computer interfaces: RFID-based design-theoretical framework. Inform Med Unlocked. 2021;22. doi:10.1016/j.imu.2020.100489.

访问受限。请登录或开始试用以查看此内容。

睡眠剥夺、决策疲劳与医学培训中的临床表现：关于神经生理监测的叙述性综述与展望

本文内容

摘要

摘要

引言

综述与观点

结论

披露

致谢

参考文献

重印与许可

标签