Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Übersichtsartikel

Schlafentzug, Entscheidungsmüdigkeit und klinische Leistung in der medizinischen Ausbildung: Eine narrative Übersicht und Perspektive auf neurophysiologische Überwachung

101 Aufrufe

⸱

DOI:

10.3791/71627

⸱

28. Juli 2026

 ,  ,  , 
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

In diesem Artikel

Zusammenfassung

Diese narrative Übersicht und Perspektive untersucht, wie Schlafmangel und Entscheidungsmüdigkeit die klinische Leistung beeinflussen, und bewertet EEG- und fNIRS-basierte Monitoring als konzeptionelle Werkzeuge für müdigkeitsbewusste Interpretation und Rückmeldung in der medizinischen Ausbildung.

Zusammenfassung

Schlafmangel und Entscheidungsmüdigkeit sind wichtige, aber oft unterschätzte Faktoren für die klinische Leistung am Tag. In medizinischen Ausbildungsumgebungen können diese zustandsabhängigen Faktoren die Aufmerksamkeit, die exekutive Kontrolle und die Entscheidungsfindung beeinträchtigen und die Interpretation der beobachteten Kompetenz im Wachzustand erschweren. Diese narrative Übersicht und Perspektive fasst Belege aus Schlafwissenschaft, Neurophysiologie, Psychologie und medizinischer Ausbildung zusammen, um zu untersuchen, wie Schlafmangel und Entscheidungsmüdigkeit die klinische Leistung beeinflussen und wie nicht-invasive Monitoring-Ansätze helfen können, diese Variabilität einzuordnen. Besondere Aufmerksamkeit gilt der Elektroenzephalographie (EEG) und der funktionellen Nahinfrarotspektroskopie (fNIRS) als Kandidatenforschungswerkzeuge zur Charakterisierung müdigkeitsbedingter Veränderungen der kognitiven Arbeitsbelastung und Wachsamkeit. Die überprüfte Literatur stützt starke Zusammenhänge zwischen Schlafmangel, Müdigkeit und beeinträchtigter neurokognitiver Funktion, aber der Einsatz von Echtzeit-neurophysiologischer Überwachung zur umsetzbaren Bereitschaftsbewertung in der medizinischen Ausbildung bleibt konzeptionell und erfordert empirische Validierung. Wir schlagen das CBME-BCI-Fatigue-Framework als hypothesengenerierendes Perspektivmodell zur Integration physiologischer Zustandsinformationen mit kompetenzbasierter Bewertung vor, wobei wir Einschränkungen hinsichtlich Konstruktvalidität, Inkrementwert, individueller Variabilität, Machbarkeit und Governance betonen. Dieser Rahmen könnte zukünftige simulationsbasierte und risikoarme Forschung zu fatigue-sensitivem Feedback und Lernunterstützung in schlafanfälligen klinischen Trainingsumgebungen unterstützen.

Einleitung

Die medizinische Ausbildung weltweit entwickelt sich weiterhin hin zu ergebnisorientierten Modellen, insbesondere zur kompetenzbasierten medizinischen Ausbildung (CBME), die nachweisbare Fähigkeiten statt zeitabhängiger Entwicklung betont. Das Konzept der professionellen Kompetenz wird seit langem im Zusammenhang mit beobachtbarer Fähigkeit, klinischer Logik, Kommunikation, Professionalität und sicherer Patientenversorgungdiskutiert 1,2. Das Outcomes Project des Accreditation Council for Graduate Medical Education (ACGME), CanMEDS-basierte Ansätze und die nachfolgende CBME-Theorie haben Lehrkräfte zudem dazu ermutigt, Ausbildungsergebnisse explizit zu definieren und sie längsschnittigzu bewerten 3,4. Jüngste Diskussionen haben CBME an vorderster Front der Patientenversorgungbetont. Die Arbeit zur Umsetzung in Undergraduate-, Master- und Fortbildungsbereichen hebt zudem anhaltende Herausforderungen in Bezug auf Machbarkeit, Bewertungskultur und Fakultätsentwicklunghervor 6,7,8,9,10.

Innerhalb des CBME haben sich vertrauenswürdige berufliche Aktivitäten (EPAs) und Vertrauensentscheidungen in Richtung aufsichtsbasierter Urteile verschoben, 11,12,13,14,15. Lernkurven und Lernanalysen haben die longitudinale Interpretation des Lernfortschrittsweiter unterstützt 16,17. Präzisionsbildung, Bildungspässe, mastery-orientierte Lernumgebungen und Coaching legen Wert auf Feedback, Lernunterstützung und adaptive Supervision 18,19,20,21. Diese Ansätze erkennen an, dass Kompetenz aus Leistungsmustern über Zeit und Kontext hinweg abgeleitet wird und nicht aus einem einzelnen Test. Es bleibt jedoch ein anhaltender blinder Fleck: Die beobachtete Leistung spiegelt nicht immer eine stabile zugrundeliegende Kompetenz wider. Sie wird auch durch vorübergehende physiologische und kognitive Zustände geprägt, darunter unzureichenden Schlaf, zirkadiane Fehlstellungen, Arbeitsbelastung, emotionalen Stress und Entscheidungsmüdigkeit22.

Dieses Problem ist besonders relevant in klinischen Umgebungen, in denen Auszubildende nachts arbeiten, hohe Patientenzahlen managen, Eingriffe durchführen und wiederholt Entscheidungen unter Unsicherheit treffen. Schlafmangel und Müdigkeit sind mit beeinträchtigter Wachsamkeit, exekutiver Kontrolle, psychomotorischer Geschwindigkeit, Stimmungsregulation und medizinischem Fehlerrisikoin Verbindung gebracht 23,24,25,26,27. Chirurgische und procedurale Leistungen können besonders anfällig sein, da sie von anhaltender Aufmerksamkeit, feinmotorischer Präzision und schnellem Situationsurteilsvermögen abhängt. Übersichten und Simulatorstudien verbinden Schlafentzug mit Veränderungen der chirurgischen Fingerfertigkeit und der Krisenmanagementleistung 28,29,30. Patienten- und Verfahrensstudien zeigen heterogene Ergebnisse und unterstreichen die Notwendigkeit einer vorsichtigen Interpretation 31,32,33. Duty-Hour-Forschung, einschließlich iCOMPARE und verwandter randomisierter Studien, zeigt, dass Schlaf, Übergaben, Arbeitsbelastung, Patientensicherheit und Bildungsergebnisse voneinander abhängig sind und nicht auf eine einzelne Planungsvariable 34,35,36,37,38 reduzierbar sind.

Zustandsabhängige Leistungsvariabilität ist oft vorübergehend, situationsabhängig und schwer mit herkömmlichen arbeitsplatzbasierten Bewertungsinstrumenten zu erfassen. Eine Episode mit schlechter Leistung nach einer Nachtschicht kann auf einen dauerhaften Lernbedarf, eine vorübergehende Ermüdungsbedingte Lücke, übermäßige Arbeitsbelastung, unzureichende Aufsicht oder eine Kombination dieser Faktoren zurückzuführen sein. Neurophysiologisches Monitoring wurde als ergänzender Ansatz zur Charakterisierung des kognitiven Zustands während des Lernens und Übens vorgeschlagen. Die Elektroenzephalographie (EEG) kann schnelle neuronale oszillatorische und ereignisbezogene Antworten erfassen, während die funktionelle Nahinfrarotspektroskopie (fNIRS) kortikale hämodynamische Veränderungen verfolgen kann, insbesondere in präfrontalen Regionen, die an der exekutiven Steuerung beteiligt sind. Diese Methoden können kontextuelle Indikatoren für Arbeitsbelastung, Wachsamkeit und Ermüdung liefern. Sie sollten jedoch nicht als validierte Kompetenzmaße interpretiert oder als direkte Auslöser für Aufsichts- oder Vertrauensentscheidungen verwendet werden.

Diese narrative Übersicht und Perspektive fasst Belege zusammen, die Schlafentzug und Entscheidungsmüdigkeit mit klinischer Leistung in Verbindung bringen, fasst EEG- und fNIRS-Merkmale zusammen, die für Müdigkeit und kognitive Belastung relevant sind, und schlägt einen CBME-BCI-Fatigue-Rahmen vor. Das Ziel ist es nicht, ein etabliertes Bewertungssystem zu präsentieren, sondern eine Forschungsagenda für eine staatsbewusste Interpretation der Leistung von Teilnehmern in schlafanfälligen medizinischen Ausbildungsumgebungen zu klären. Abbildung 1 präsentiert den vorgeschlagenen Rahmen und veranschaulicht, wie zustandsabhängige Leistungsmodulatoren, neurophysiologische und multimodale Überwachung, kompetenzbasierte Interpretation, KI-gestützte Datenintegration und adaptives Feedback in zukünftigen ermüdungsbewussten medizinischen Ausbildungsforschungen verknüpft werden können.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Überprüfung und Perspektive

Suchansatz

Dieser Artikel wurde als narrative Übersicht und Perspektive entwickelt, anstatt als systematische Übersicht, Scoping-Übersicht oder Metaanalyse. Wir durchsuchten PubMed, PsycINFO, Web of Science Core Collection und ERIC von Beginn der Datenbank bis zum 31. Dezember 2025. Suchbegriffe kombinierten Konzepte wie Schlafentzug, Schlafrestriktion, Müdigkeit, Entscheidungsmüdigkeit, klinische Leistung, kompetenzbasierte medizinische Ausbildung (CBME), kognitive Arbeitsbelastung, Elektroenzephalographie (EEG), funktionelle Nahinfrarotspektroskopie (fNIRS), Gehirn-Computer-Schnittstellen (BCIs) und medizinische Ausbildung. Es wurde auch eine gezielte Aktualisierung durchgeführt, um die aktuelle fNIRS-Literatur einzubeziehen, die für die Überwachung von Schlaf und Erschöpfung relevant ist.

Quellen wurden ausgewählt und priorisiert, wenn sie direkt einen von vier Bereichen informierten: schlaf- oder ermüdungsbedingte Veränderungen der neurokognitiven und klinischen Leistung; EEG- oder fNIRS-abgeleitete Marker für Müdigkeit, Arbeitsbelastung, Wachsamkeit oder schlafbezogene Verwundbarkeit; konzeptionelle oder angewandte Arbeiten, die relevant sind, um physiologische Zustandsinformationen in CBME zu integrieren; sowie ethische oder umsetzungsbezogene Fragen, die für den Bildungszweck relevant sind. Quellen wurden nicht ausgewählt, um eine umfassende Abdeckung aller Schlaf-, BCI- oder Neurotechnologie-Literatur zu bieten. Wir haben Studien nicht priorisiert, die in erster Linie aus Basis-Neurowissenschaften, Gerätetechnik oder therapeutischer Neuromodulation bestanden, es sei denn, sie beeinflussten direkt eine müdigkeitsbewusste Interpretation der Leistung der Auszubildenden. Es wurde keine formale Verzerrungsrisikobewertung oder metaanalytisches Pooling durchgeführt; Die Ergebnisse wurden deskriptiv und kritisch zusammengefasst, um einen konzeptuellen, hypothesenbildenden Perspektivrahmen zu unterstützen.

Romanbeitrag und Zielgruppe

Die Neuheit dieser Übersicht liegt darin, mehrere verwandte, aber oft separat diskutierte Literaturgruppen – Assistenz-Müdigkeit, Schlafmangel, Entscheidungsmüdigkeit, kognitive Arbeitsbelastung, neurophysiologische Überwachung und CBME-Bewertung – mit einem spezifischen pädagogischen Problem zu verbinden: wie Lehrkräfte beobachtete klinische Leistungsfähigkeit interpretieren sollten, wenn der kognitive Zustand eines Auszubildenden vorübergehend durch Schlafmangel oder Entscheidungsmüdigkeit verändert sein könnte, oder Arbeitsbelastung. Die Zielgruppe sind medizinische Lehrkräfte, Kliniker-Dozenten, Programmleiter und Forscher, die an einer müdigkeitsbewussten Interpretation der Leistungen der Auszubildenden interessiert sind. Das vorgeschlagene CBME-BCI-Fatigue-Framework soll zukünftige Forschungsfragen organisieren und Validierungsanforderungen klären, nicht ein operatives Überwachungssystem validieren oder aktuelle Entscheidungen mit hohem Einsatz unterstützen.

Kompetenz als dynamische Leistung in CBME

Die ursprüngliche Begründung für CBME war nicht einfach, neue Bewertungsformulare zu erstellen, sondern die medizinische Ausbildung an die Bedürfnisse der Patienten und Gesundheitssysteme anzupassen. CBME legt den Schwerpunkt auf Fortschritt basierend auf Kompetenz, individuellen Lernverläufen und Nachweisen dafür, dass Lernende mit angemessener Supervision sinnvolle klinische Aktivitäten durchführen können 5,6. Nationale und regionale Kompetenzrahmen, darunter chinesische Residency-Kompetenzrahmen und i-FIRST-Diskussionen zur Talententwicklung, bieten strukturierte Sprache für Lehrplangestaltung, Lernentwicklung und Bildungsverantwortlichkeit 7,8. Gleichzeitig weist die Literatur zur Umsetzung von CBME auf anhaltende Bedenken hinsichtlich Machbarkeit, Fakultätsentwicklung, Bewertungsbelastung und des Risikos, komplexe berufliche Praktiken auf Checklistenverhalten 9,10 hinzuweisen.

EPAs und Vertrauensentscheidungen waren besonders einflussreich, weil sie die Bewertung mit der klinischen Frage verbinden, wie viel Supervision ein Lernender für eine definierte berufliche Tätigkeit benötigt 11,12,13,14. Die Umsetzung der EPA hebt außerdem hervor, dass Vertrauensverhältnisse ein Urteil über einen Lernenden, eine Aufgabe, einen Kontext und ein Maß an Aufsicht sind; Es ist nicht einfach eine feste Eigenschaft, die im Trainee15 eingebettet ist. Ebenso können Lernkurven und Lernanalysen Lehrkräften helfen, Entwicklungen über die Zeit zu erkennen, anstatt einzelne Datenpunkte zu überinterpretieren16,17. Präzisionsbildung, Bildungspässe, meisterschaftsorientierte Lernumgebungen und Coaching unterstreichen zusätzlich die Idee, dass Bewertung Entwicklung, Feedback und adaptive Unterstützung unterstützen sollte 18,19,20,21.

Eine zustandsabhängige Perspektive erweitert diese Logik. Wenn ein Auszubildender nach längerem Wachsein oder einer kognitiv intensiven Schicht schlecht abschneidet, ist die Bewertungsfrage nicht nur, ob der Auszubildende nicht über mangelnde Kompetenz verfügt. Es geht auch darum, ob das beobachtete Verhalten eine erschöpfungsbedingte Verwundbarkeit, übermäßige Arbeitsbelastung, schlechte Aufsicht, Systemdesign oder eine Diskrepanz zwischen Aufgabenanforderungen und kognitivem Zustand widerspiegelt. Eine stabile Kompetenzlücke kann gezielte Übung und Coaching erfordern; Ein müdigkeitsbedingter Aussetzer kann eine Erholungsplanung, eine Neugestaltung der Arbeitsbelastung, eine Anpassung der Aufsicht oder eine Intervention auf Zeitplanebene erfordern. Die staatsbewusste Bewertung definiert daher die Kompetenz nicht neu. Vielmehr verbessert sie den Kontext, in dem Leistungsdaten interpretiert werden, und verringert das Risiko, vorübergehende Beeinträchtigungen als dauerhafte Unfähigkeit falsch zu klassifizieren.

Schlafmangel, zirkadiane Störungen und Entscheidungsmüdigkeit

Schlafmangel und Müdigkeit sind allgegenwärtige, aber unterschätzte Faktoren für die Leistung von Ärzten. In der klinischen Ausbildung setzen Langzeitschichten, Nachtarbeit, unvorhersehbare Arbeitsbelastung und häufige Übergaben die Auszubildenden Erkrankungen aus, die Wachsamkeit und Entscheidungsfindung beeinträchtigen können. Studien zum Schlaf und Wohlbefinden von Ärzten haben Schlaf- und Burnout-bedingte Belastungen mit klinisch signifikanten medizinischen Fehlernin Verbindung gebracht 23. Verlängerte Verschiebungen wurden ebenfalls mit erhöhten Aufmerksamkeitsversagen, medizinischen Fehlern und unerwünschten Ereignissen in Verbindung gebracht24. Erschöpfung und Belastung der Assistenzärzte können die selbst gemeldeten medizinischen Fehler weiter beeinflussen, was darauf hindeutet, dass das Leistungsrisiko teils verhaltensbedingt, teils kognitiv und teils systembezogen25 ist.

Beobachtungs- und experimentelle Studien bei Medizinanwärtern und Ärzten unterstreichen diese Sorge. Praktikanten und Assistenzärzte, die längere Schichten arbeiten, zeigen verringerte Schlafmöglichkeiten und veränderte Wachheitsmuster26. Die Reduzierung der Arbeitsstunden von Assistenzärzten auf Intensivstationen war in einem wegweisenden Versuch27 mit weniger schwerwiegenden medizinischen Fehlern verbunden. Chirurgische und prozedurale Studien zeigen, dass Schlafmangel die Simulator-Geschicklichkeit und die Krisenmanagementleistung beeinträchtigenkann 28,29,30. Patienten- und Verfahrensstudien bleiben heterogener und sollten nicht vereinfacht werden 31,32,33. Unterschiede zwischen Fachrichtung, Ausbildungsniveau, Fallkomplexität, Aufsicht, Teamstruktur und Ergebnistyp können erklären, warum müdigkeitsbedingte Abfälle bei Wachsamkeit, simulierter Leistung und Prozessmaßen klarer sind als bei nachgelagerten Patientenergebnissen.

Duty-Hour-Versuche zeigen, warum müdigkeitsbewusste Bildung nicht nur auf die Schichtlänge angewiesen sein kann. Die iCOMPARE Studie ergab, dass flexible Dienstzeitregelungen den Standardrichtlinien für ausgewählte Bildungsergebnisse und Patientensicherheitsergebnisse nicht unterlegen waren34,35. Begleiteranalysen berichteten, dass Schlaf und Wachsamkeit sich unter den flexiblen Pflichtstundenregeln36 nicht unbedingt verschlechterten. Im Gegensatz dazu zeigte eine randomisierte Studie mit Dienstplänen ohne 24-Stunden-Schichten, dass die Abschaffung verlängerter Schichten die Patientensicherheit nicht einheitlich verbesserte37. Eine verwandte Studie zu verlängerten Arbeitsschichten fand neurobehaviorale Leistungseffekte bei Assistenzärzten38. Zusammengenommen zeigen diese Ergebnisse, dass Schlafmöglichkeiten, Arbeitsbelastung, Kontinuität, Übergaben und Überwachung auf komplexe Weise miteinander interagieren.

Die breitere schlafwissenschaftliche Literatur liefert mechanistischen Kontext. Schlafstörungen beeinträchtigen die anhaltende Aufmerksamkeit, das Arbeitsgedächtnis, die Hemmung der Reaktion, die Emotionsregulation und die Ausführung komplexer Aufgaben 39,40,41,42. Unregelmäßige oder instabile Schlafrhythmen können ebenfalls die akademischen und kognitiven Ergebnisse beeinflussen, was darauf hindeutet, dass neben der Schlafdauer auch die Schlafdauer eine Rolle spielt43,44. Chronische Schlafrestriktion während der Wochenenderholung kann Resteffekte auf Leistung und Wohlbefinden haben45. In der medizinischen Ausbildung sind diese Ergebnisse wichtig, da Ausbildungsbewertungen meist während der Wachzeit durchgeführt werden, aber selten den Lernzustand, in dem die Leistung ausgedrückt wird, dokumentieren.

Entscheidungsmüdigkeit fügt einen verwandten, aber eigenständigen Mechanismus hinzu. Es bezieht sich auf eine Verschlechterung der Entscheidungsqualität nach wiederholten oder mühsamen Entscheidungen, insbesondere wenn Entscheidungen Selbstkontrolle, Unsicherheitsmanagement oder Wertabwägungen erfordern46. Klinische Entscheidungen beinhalten oft Triage, Verschreibung, Eskalation der Versorgung, Dokumentation und Übergaben unter Zeitdruck. Neuere Verschreibungsforschungen legen nahe, dass Zeitaufwand und angesammelte Entscheidungsanforderungen klinische Entscheidungenbeeinflussen können 47. Müdigkeit durch Nachtschichten kann ebenfalls die Suchmuster und die diagnostische Leistung in Radiologie48 verändern. Entscheidungsmüdigkeit sollte jedoch mit Vorsicht interpretiert werden, da die Literatur methodisch heterogen ist und die Auswirkungen je nach Aufgaben, Umgebung und Kliniker variieren können.

EEG- und fNIRS-Marker für Müdigkeit und kognitive Arbeitsbelastung

Das EEG wurde häufig verwendet, um Wachsamkeit, Schlafdruck, Müdigkeit und mentale Belastung zu untersuchen. In Arztstudien zeigte das quantitative EEG nach einem nächtlichen Bereitschaftsdienst Veränderungen in Theta-, Alpha- und Beta-Aktivität, die mit mentaler Ermüdung übereinstimmen,49,50. Diese Studien sind wichtig, weil sie die neurophysiologische Bewertung näher an die echte klinische Arbeit bringen, anstatt sich ausschließlich auf Laborparadigmen für Schlafentzug zu stützen. Sie bleiben jedoch beobachtend und können allein nicht nachweisen, dass das EEG bestimmen kann, ob ein Auszubildender bereit ist, eine bestimmte klinische Aufgabe auszuführen.

Die EEG-Interpretation auf Merkmalsebene ist breiter gefasst als die häufig zitierten Veränderungen in Theta oder Alpha/Beta. Frontale EEG-Workload-Studien unterstützen die Verwendung von spektralen und regionalen Mustern zur Workload-Schätzung51. Schlafdeprivation-EEG-Studien haben Veränderungen der spektralen Aktivität nach Schlafmangeluntersucht 52. Das Theta-Band hat ebenfalls eine doppelte Interpretation: Es kann den Schlafdruck widerspiegeln, aber auch an der kognitiven Kontrolle teilnehmen, ein Punkt, der die einfache Erschöpfungsklassifikation53 erschwert. Echtzeit-Arbeitsspeicherüberwachungsstudien und Treiberzustandsklassifikationen zeigen zudem, wie EEG-Features in BCI-ähnliche Pipelines eingebettet werden können, diese Pipelines jedoch weiterhin empfindlich gegenüber Aufgabendesign, Vorverarbeitung und individueller Variabilität54,55. Zuverlässigkeitsstudien und neuroergonomische Validierungsarbeiten betonen, dass Elektrodenkonfiguration, Vorverarbeitungsentscheidungen, subjektive Metriken und Aufgabendesign die Arbeitsbelastungsindizes56,57 beeinflussen. Neuere mehrstufige Arbeiten zur kognitiven Lastvorhersage legen nahe, dass die Kombination räumlicher, temporaler und spektraler Signaturen die Klassifikation58 verbessern kann.

Die funktionelle Nahinfrarotspektroskopie fNIRS liefert ergänzende Informationen durch Messung hämodynamischer Veränderungen, einschließlich sauerstoffreichem Hämoglobin, deoxygeniertem Hämoglobin und Gesamthämoglobin. Die fNIRS-Literatur zu Müdigkeit und Schlafmangel bestätigt seine Relevanz zur Messung kortikaler Korrelate von kognitiver Anstrengung, verminderter Wachsamkeit und sozial-kognitiven Veränderungen59. Schlaffokussierte fNIRS-Übersichten zeigen zudem, wie optische hämodynamische Signale zur Schlafforschung und zur Ermüdungserkennungbeitragen können. Eine aktuelle Studie aus dem Jahr 2026 zu fNIRS-Biomarkern im kardialen Band für die Differenzierung des Schlafs bei nicht-schnellen Augenbewegungen mit EEG-Validierung zeigt das wachsende Interesse an Frequenzbereichs- und Herzbandmerkmalen jenseits der einfachen HbO-Amplitude61. Zusammen unterstützt diese Literatur eine feature-Level-Diskussion, die HbO, HbR, HbT, Zeitdomänenantworten, Konnektivität und Frequenzdomänen-Biomarker umfasst.

Präfrontale fNIRS-Studien sind besonders relevant, da Exekutivkontrolle, Reaktionshemmung und Arbeitsbelastungsregulation stark von den frontalen Systemen abhängen. Schlafmangel wurde mit veränderter aufgabenbezogener funktionaler Konnektivität im Frontallinfekt62 in Verbindung gebracht. Verwandte Arbeiten haben den Verlust der frontalen funktionellen Konnektivität nach Schlafentzug63 festgestellt. Studien an jungen Erwachsenen mit Kurzschlaf deuten ebenfalls darauf hin, dass präfrontale hämodynamische Reaktionen je nach Schlafverhalten und körperlicher Aktivitätvariieren können. Das tragbare fNIRS wurde zur automatischen Erkennung kognitiver Ermüdung mit MachineLearning 65 eingesetzt. Hybride EEG-fNIRS-Systeme können die Workload-Klassifikation verbessern, indem sie funktionelle Gehirnkonnektivität und komplementäre Signaleigenschaften66,67 integrieren. Zusammen unterstützen diese Studien den Einsatz von EEG und fNIRS als Forschungsinstrumente und als mögliche kontextuelle Indikatoren, aber noch nicht als validierte Vorbereitungsmaße in der medizinischen Ausbildung.

Tabelle 1 ist daher als Karte auf Merkmalsebene gedacht und nicht als Hierarchie validierter Biomarker. Es unterscheidet EEG-spektrale, ereignisbezogene, zeitliche und Konnektivitätsmerkmale von fNIRS-Amplituden-basierten, Zeitdomänen-, Konnektivitäts- und Frequenzbereichs- oder Herzbandmerkmalen. Diese Unterscheidung ist wichtig, da jede Feature-Familie unterschiedliche Dimensionen des Fatigue-Workload-Konstrukts erfasst und unterschiedliche Artefakt- und Interpretationsrisiken birgt. Ein höheres Theta/Alpha-Verhältnis, eine reduzierte P300-Amplitude oder ein niedrigeres präfrontales HbO können beispielsweise mit Ermüdung kompatibel sein, können aber auch Aufgabenschwierigkeit, kompensatorische Anstrengung, Stress, Sensorkonfiguration oder individuelle Basisunterschiede widerspiegeln. Die Tabelle soll das Studiendesign, die Konstruktausrichtung und die vorsichtige Interpretation unterstützen, nicht um operative Schwellenwerte für Kompetenz, Anvertrauen oder klinische Bereitschaft zu definieren.

BCI, multimodale Fusion und Bildungsanwendungen

Nicht-invasive BCIs und tragbare neurophysiologische Technologien haben sich rasant in medizinischen, ingenieurwissenschaftlichen und pädagogischen Bereichen ausgebreitet. Bewertungen tragbarer EEG-basierter BCI-Geräte heben Fortschritte bei Portabilität und medizinischen Anwendungenhervor 68. Umfassendere Stand-of-the-Art-Übersichten betonen, dass nicht-invasive BCI-Systeme sich verbessern, aber weiterhin Einschränkungen in Signalqualität, Benutzerfreundlichkeit, Kalibrierung und Robustheit haben 69,70,71,72. Diese Einschränkungen sind für die medizinische Ausbildung wichtig, weil ein Bildungsinstrument nicht nur in einem kontrollierten Umfeld korrekt sein muss, sondern auch machbar, akzeptabel, interpretierbar und mit pädagogischen Konstrukten im Einklang gebracht sein muss.

Die am besten vertretbaren Bildungsanwendungen sind Simulation, Forschung und Feedback mit geringem Risiko. VR-laparoskopisches Training kann Leistungsdaten mit arbeitsbezogenen Signalen synchronisieren, um zu untersuchen, wie kognitive Anforderungen mit prozeduralem Lernen zusammenhängen73. Simulierte neurochirurgische Aufgaben haben KI und EEG verwendet, um Fachkenntnisse zu unterscheiden, was auf einen Weg zur Untersuchung des Fähigkeitserwerbs hindeutet, anstatt das Fakultätsurteil74 zu ersetzen. Ernsthafte Spiel- und Mixed-Reality-Umgebungen haben Biosensor-Analysen genutzt, um affektives Engagement75 zu schätzen. Passive BCI-Systeme, die die Lerngeschwindigkeit an kognitive Belastung anpassen, veranschaulichen, wie zustandsabhängiges Feedback in risikoarmen Bildungskontexten funktionieren könnte,76. Die ambulante Schlaferkennung zeigt, wie multimodale Zeitreihendaten die longitudinale Überwachung außerhalb des Laborsunterstützen können. Diese Beispiele lassen sich am besten als unterstützende Beweise oder Proof-of-Concept interpretieren, nicht als Validierung für Entscheidungen zur Hochrisiko-Übertragung oder Sanierung.

KI-unterstützte Schlafstufenstudien zeigen, wie maschinelle Lernmethoden schlafbezogene physiologische Zeitreihen78, 79 und 80 klassifizieren können. Gezielte Gedächtnisreaktivierung, tragbare Neuromodulation, Ermüdungsinterventionen und drahtlose fNIRS-Systeme veranschaulichen weiter, wie physiologische Signale in adaptiven Rückkopplungsarchitekturen(81,82,83,84,85) verfolgt oder genutzt werden können. Diese Studien sind technisch informativ, aber ihre direkte pädagogische Relevanz ist begrenzt, es sei denn, sie stehen im Zusammenhang mit Tagesleistungen, Feedback-Zeitpunkten, Betreuungsentscheidungen oder Lernunterstützung in Schulungskontexten. Sie sollten daher als methodische Brücken interpretiert werden und nicht als Beleg dafür, dass eine müdigkeitsbewusste Bewertung im CBME für den routinemäßigen Einsatz bereit ist.

Übersetzung am Arbeitsplatz erfordert größere Vorsicht als Simulation. Echte klinische Umgebungen bringen Bewegungsartefakte, Unterbrechungen, emotionalen Stress, Teamarbeitsanforderungen, Patientenintensität, variable Aufgabenziele und implizite Machtverhältnisse zwischen Teilnehmern und Vorgesetzten mit sich. Physiologische Daten in der arbeitsbasierten Bewertung sollten daher freiwillig, geringfügig und kontextabhängig sein. Sinnvolle Anwendungen sind unter anderem aggregierte Ermüdungsrisikokartierung, Zeitplanbewertung, Simulationsdebriefing oder vom Lernenden kontrolliertes Feedback. Unangemessene Anwendungen würden die Verwendung von EEG, fNIRS oder multimodalen Schwellenwerten als eigenständige Beweise für Vertrauen, Beförderung, Abhilfe oder Disziplin umfassen.

Etablierte Beweise versus konzeptuelle Erweiterungen

Eine zentrale Unterscheidung in dieser Übersicht besteht zwischen etablierten Beweisen und konzeptueller Erweiterung. Die etablierten Evidenzen zeigen, dass Schlafmangel, zirkadiane Störungen, verlängerte Wachheit und Müdigkeit neurokognitive Bereiche beeinträchtigen, die für die klinische Arbeit relevant sind. 23,24,25,26,27. Meta-analytische und experimentelle Arbeiten unterstützen zudem Effekte auf Aufmerksamkeit, exekutive Kontrolle, Stimmungsregulation und komplexe Aufgabenleistung 39,40,41,42. Medizinische und prozedurale Studien zeigen, dass Müdigkeit das Fehlerrisiko, die diagnostische Suche, das Krisenmanagement und die technische Leistungbeeinflussen kann 28,29,30,48. Allerdings zeigen auch Studien auf Prozedurebene und Outcome Heterogenität, was gegen eine einfache Eins-zu-eins-Interpretation von Müdigkeit und klinischen Schaden spricht 31,32,33. Studien zur Dienstzeit zeigen, dass müdigkeitsbewusste Richtlinien das Design der Arbeitszeit zusammen mit Schlafmöglichkeiten, Arbeitsbelastung, Übergaben, Kontinuität und Bildungsfolgenberücksichtigen müssen 34,35,36,37,38. EEG-Studien bei Ärzten und Arbeitsbelastungsparadigmen unterstützen die neuronale Empfindlichkeit gegenüber Müdigkeit und kognitiver Belastung 49,50,51, während fNIRS, tragbare und hybride EEG-fNIRS-Studien komplementäre hämodynamische und multimodale Evidenz liefern 59,60,61,62,63,64,65,66, 67.

Die konzeptionelle Erweiterung ist der Vorschlag, dass physiologische Zustandsindikatoren helfen könnten, die Leistung der Teilnehmer innerhalb des CBME zu kontextualisieren. Diese Erweiterung ist plausibel, aber nicht validiert. Hinweise darauf, dass Schlafmangel die neuronale Aktivität verändert, bedeutet nicht automatisch, dass Echtzeitüberwachung umsetzbare Aufsichts- oder Bildungsentscheidungen ermöglichen kann. Derzeit wurde kein generalisierbares Echtzeitmuster neuronaler oder hämodynamischer Aktivität gezeigt, die kognitive Instabilität oder klinische Bereitschaft zwischen Individuen, Aufgaben, Fachgebieten und Betriebsumgebungen zuverlässig identifiziert. Das gleiche physiologische Muster kann Müdigkeit, kognitive Anstrengung, Angst, Motivation, Aufgabenschwierigkeit, kompensatorische Beteiligung, Sensorartefakte, Umweltstress oder individuelle Grundunterschiede widerspiegeln.

Dementsprechend sollte der CBME-BCI-Fatigue-Rahmen als Forschungsmodell und nicht als implementiertes Bewertungssystem interpretiert werden. Ziel ist es, zu klären, wie zustandsabhängige Modulatoren, physiologische und verhaltensbezogene Überwachung sowie kompetenzbasierte Interpretation beobachteter Leistung gemeinsam untersucht werden könnten. In Simulationen oder anderen risikoarmen Forschungsumgebungen könnten EEG- oder fNIRS-Merkmale zusammen mit Aufgabenfehlern, Reaktionszeiten, Arbeitsbelastungsbewertungen, Schlafgeschichte, psychomotorischen Wachsamkeitstests und Rückmeldungen des Vorgesetzten erfasst werden, um zu prüfen, ob Zustandsindikatoren die Leistungsvariabilität erklären. In Arbeitsbewertungskontexten erfordern physiologische Daten noch größere Vorsicht. In der aktuellen Evidenzbasis könnten solche Daten am besten für aggregierte Ermüdungsrisikoforschung, Zeitplangestaltung oder freiwillige Lernhilfe geeignet sein. Sie sollten nicht als eigenständige Grundlage für Vertrauens-, Beförderungs-, Abhilfe- oder Disziplinarentscheidungen verwendet werden. Tabelle 2 fasst diese Unterscheidungen zusammen, indem sie etablierte Evidenz, konzeptionelle Erweiterungen, Validierungsanforderungen und repräsentative unterstützende Referenzen innerhalb des CBME-BCI-Fatigue-Rahmens trennt.

Konstruktvalidität, inkrementeller Wert, individuelle Baselines und Governance

Die Konstruktvalidität ist die zentrale methodologische Herausforderung für ermüdungsbewusstes neurophysiologisches Monitoring. EEG- und fNIRS-Signale sind nicht spezifisch für Ermüdung oder Bereitschaft; Sie können auch Aufgabenschwierigkeit, Angst, Motivation, kognitive Anstrengung, kompensatorisches Engagement, Umweltstress, Sensorartefakte oder individuelle Grundunterschiede widerspiegeln. Zukünftige Studien sollten daher das zu messende pädagogische Konstrukt vordefinieren, die erwartete Beziehung zwischen physiologischem Zustand und Leistung festlegen und physiologische Signale mit Verhaltens-, Kontext- und Bildungsdaten triangulieren, anstatt ein einzelnes Signal als direkten Kompetenzindikator zu interpretieren.

Auch ein inkrementeller Wert muss nachgewiesen werden. EEG/fNIRS-Überwachung sollte mit einfacheren und realistischeren Vergleichsmethoden verglichen werden, darunter Schlafprotokolle, Aktigraphie, psychomotorische Wachsamkeitstests, kurze kognitive Screening, Arbeitsbelastungsbewertungen, Leistungstelemetrie und fachkundige Beobachtung. Ein neurophysiologischer Ansatz wäre nur dann gerechtfertigt, wenn er Erklärung, Vorhersage, Rückkopplungszeitpunkt oder Lernunterstützung über diese Maßstäbe hinaus verbessert. Ohne solche Belege kann multimodales Monitoring die Komplexität erhöhen, ohne die Bildungsentscheidungen zu verbessern.

Individuelle Baseline-Modellierung ist unerlässlich. Interindividuelle Variationen in neuronaler Aktivität, Schlafverwundbarkeit, Chronotyp, Stressreaktion, klinischer Erfahrung und Sensoranpassung begrenzen den Wert universeller Schwellenwerte. Ein ausbildenderspezifischer Baseline kann helfen, ungewöhnliche ermüdungsbedingte Abweichungen von normaler physiologischer Variation zu unterscheiden, erfordert jedoch wiederholte Messungen, zuverlässige Sensorplatzierung, standardisierte Aufgabenanker und transparente analytische Modelle. Maschinelles Lernen kann helfen, multimodale Signale zu integrieren, aber es kann ungültige Konstrukte, verzerrte Daten, schlechte Signalqualität oder unklare kausale Annahmen nicht lösen. Domänenanpassung, datenschutzfördernde Algorithmen und generative Modellierung können eine gewisse Kalibrierungslast verringern, erfordern jedoch eine breitere Validierung, bevor sie zur Unterstützung von Bildungsentscheidungenverwendet werden 86,87.

Technische und ökologische Barrieren bleiben erheblich. EEG ist anfällig für Bewegungsartefakte, Elektrodenimpedanz, Umgebungsrauschen, Montageabhängigkeit und Vorverarbeitungsentscheidungen. fNIRS wird durch Optodenplatzierung, Kopfhautdurchblutung, Bewegung, Haare, begrenzte Tiefenpenetration und geringere temporale Auflösung beeinflusst. Tragbare Systeme verbessern sich, darunter kompakte drahtlose fNIRS-Geräte zur kognitiven Aktivitätsüberwachung85, aber Komfort und Machbarkeit begründen keine pädagogische Validität. Die Bereitstellung erfordert außerdem eine workflow-kompatible Einrichtung, interpretierbare Berichterstattung, Datensicherheit und Akzeptanz durch den Endnutzer. Studien zur sozialen Akzeptanz erinnern uns daran, dass Vertrauen und wahrgenommener Zweck der Nutzer zentral für die Einführung88 sind.

Ethische Governance sollte als Randbedingung des Rahmens betrachtet werden und nicht als Nachgedanke. Neurophysiologische Daten können Informationen über Müdigkeit, Aufmerksamkeit, Emotionen oder Gesundheitszustand offenbaren oder andeuten. Eine verantwortungsvolle Entwicklung der Neurotechnologie erfordert Zweckbegrenzung, Datenminimierung, sichere Speicherung, Transparenz, Zugriffskontrollen sowie sorgfältige Berücksichtigung von Autonomie und Zustimmung89,90. Vernetzte BCI-Systeme werfen ebenfalls Cybersicherheitsbedenken auf, insbesondere wenn dekodierte Ergebnisse das Feedback, Schulungsmöglichkeiten oder sicherheitsrelevante Entscheidungenbeeinflussen. In der Bildung können Lernende impliziten Druck verspüren, sich zu beteiligen, und physiologische Kennzahlen könnten unbeabsichtigt Verzerrungen verstärken, wenn Modelle zwischen Populationen oder Kontexten ungleichmäßig abschneiden. Zukünftige Forschung sollte, wo möglich, freiwillige Teilnahme priorisieren, eine klare Trennung zwischen unterstützendem Feedback und hochrisikoreichem Urteil, Berufungsmechanismen und stakeholder-informierte Governance.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Schlussfolgerungen

Schlafmangel und Entscheidungsmüdigkeit sind etablierte Beitragende zur zustandsabhängigen Variabilität in Aufmerksamkeit, exekutiver Kontrolle, psychomotorischer Leistung und klinischer Entscheidungsfindung. In der medizinischen Ausbildung können diese Schwankungen die Interpretation der beobachteten Kompetenz erschweren, insbesondere in anspruchsvollen Umgebungen wie Notfallmedizin, Intensivmedizin, Anästhesie und Chirurgie. Kompetenzbasierte medizinische Ausbildung könnte daher von ei...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren erklären keinen Interessenkonflikt.

Danksagungen

Die Autoren danken den Kollegen des Department of Critical Care und des Department of Education an unserer Institution dankbar für ihre Unterstützung und Diskussionen während der Vorbereitung dieser Übersichtsarbeit. Diese Arbeit wurde durch das Allgemeine Wissenschaftliche Forschungsprojekt des Bildungsamtes der Provinz Zhejiang (Zuschuss Nr. Y202557476) unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Referenzen

  1. Epstein RM, Hundert EM. Defining and assessing professional competence. JAMA. 2002;287(2):226–235.
  2. McClelland DC. Testing for competence rather than for “intelligence”. Am Psychol. 1973;28(1):1–14.
  3. Swing SR. The ACGME Outcome Project: retrospective and prospective. Med Teach. 2007;29(7):648–654.
  4. Frank JR et al. Competency-based medical education: theory to practice. Med Teach. 2010;32(8):638–645.
  5. Cooper D, Holmboe ES. Competency-based medical education at the front lines of patient care. N Engl J Med. 2025;393(4):376–388.
  6. Caccia N, Nakajima A, Kent N. Competency-based medical education: the wave of the future. J Obstet Gynaecol Can. 2015;37(4):349–353.
  7. 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.
  8. 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.
  9. 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.
  10. Hawkins RE et al. Implementation of competency-based medical education: are we addressing the concerns and challenges. Med Educ. 2015;49(11):1086–1102.
  11. Ten Cate O et al. Entrustment decision making: extending Miller’s pyramid. Acad Med. 2021;96(2):199–204.
  12. 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.
  13. Tekian A et al. Entrustment decisions: implications for curriculum development and assessment. Med Teach. 2020;42(6):698–704.
  14. 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.
  15. 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.
  16. Pusic MV et al. Learning curves in health professions education. Acad Med. 2015;90(8):1034–1042.
  17. 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.
  18. Desai SV et al. Precision education: the future of lifelong learning in medicine. Acad Med. 2024;99(4S Suppl 1)–S20.
  19. Warm EJ et al. The education passport: connecting programmatic assessment across learning and practice. Can Med Educ J. 2022;13(4):82–91.
  20. 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.
  21. 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.
  22. Taylor TS et al. Principles of fatigue in residency education: a qualitative study. CMAJ Open. 2016;4(2)–E204.
  23. Trockel MT et al. Assessment of physician sleep and wellness, burnout, and clinically significant medical errors. JAMA Netw Open. 2020;3(12).
  24. Barger LK et al. Impact of extended-duration shifts on medical errors, adverse events, and attentional failures. PLoS Med. 2006;3(12).
  25. West CP et al. Association of resident fatigue and distress with perceived medical errors. JAMA. 2009;302(12):1294–1300.
  26. 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.
  27. 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.
  28. 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.
  29. 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.
  30. Maltese F et al. Night shift decreases cognitive performance of ICU physicians. Intensive Care Med. 2016;42(3):393–400.
  31. Rothschild JM et al. Risks of complications by attending physicians after performing nighttime procedures. JAMA. 2009;302(14):1565–1572.
  32. Taffinder NJ et al. Effect of sleep deprivation on surgeons’ dexterity on laparoscopy simulator. Lancet. 1998;352(9135):1191.
  33. Howard SK et al. Simulation study of rested versus sleep-deprived anesthesiologists. Anesthesiology. 2003;98(6):1345–1355.
  34. Desai SV et al. Education outcomes in a duty-hour flexibility trial in internal medicine. N Engl J Med. 2018;378(16):1494–1508.
  35. Silber JH et al. Patient safety outcomes under flexible and standard resident duty-hour rules. N Engl J Med. 2019;380(10):905–914.
  36. 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.
  37. 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.
  38. Rahman SA et al. Extended work shifts and neurobehavioral performance in resident physicians. Pediatrics. 2021;147(3). doi:10.1542/peds.2020-009936.
  39. 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.
  40. Lowe CJ, Safati A, Hall PA. The neurocognitive consequences of sleep restriction: a meta-analytic review. Neurosci Biobehav Rev. 2017;80:586–604.
  41. 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.
  42. 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.
  43. 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.
  44. Koa TB, Lo JC. Neurobehavioural functions during variable and stable short sleep schedules. J Sleep Res. 2021;30(4).
  45. 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.
  46. Pignatiello GA, Martin RJ, Hickman RL Jr. Decision fatigue: a conceptual analysis. J Health Psychol. 2020;25(1):123–135.
  47. 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.
  48. 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.
  49. 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).
  50. 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).
  51. So WKY, Wong SWH, Mak JN, Chan RHM. An evaluation of mental workload with frontal EEG. PLoS One. 2017;12(4).
  52. 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.
  53. 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.
  54. 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.
  55. Zeng H et al. A LightGBM-based EEG analysis method for driver mental states classification. Comput Intell Neurosci. 2019;2019:3761203.
  56. 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.
  57. 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.
  58. 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.
  59. 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.
  60. 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.
  61. 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.
  62. 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).
  63. Verweij IM et al. Sleep deprivation leads to a loss of functional connectivity in frontal brain regions. BMC Neurosci. 2014;15(1):88.
  64. 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.
  65. Varandas R et al. Automatic cognitive fatigue detection using wearable fNIRS and machine learning. Sensors (Basel). 2022;22(11):4010.
  66. Cao J, Garro EM, Zhao Y. EEG/fNIRS-based workload classification using functional brain connectivity and machine learning. Sensors (Basel). 2022;22(19):7623.
  67. Hong KS, Khan MJ, Hong MJ. Feature extraction and classification methods for hybrid fNIRS-EEG brain-computer interfaces. Front Hum Neurosci. 2018;12:246.
  68. 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.
  69. Edelman BJ et al. Non-invasive brain-computer interfaces: state of the art and trends. IEEE Rev Biomed Eng. 2025;18:26–49.
  70. Rashid M et al. Current status, challenges, and possible solutions of EEG-based brain-computer interface: a comprehensive review. Front Neurorobot. 2020;14:25.
  71. Xu M et al. Current challenges for the practical application of electroencephalography-based brain-computer interfaces. Engineering. 2021;7(12):1710–1712.
  72. Maiseli B et al. Brain-computer interface: trend, challenges, and threats. Brain Inform. 2023;10(1):20.
  73. Yu P et al. Quantitative influence and performance analysis of virtual reality laparoscopic surgical training system. BMC Med Educ. 2022;22(1):92.
  74. Natheir S et al. Utilizing artificial intelligence and electroencephalography to assess expertise on a simulated neurosurgical task. Comput Biol Med. 2023;152:106286.
  75. 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).
  76. 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.
  77. 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.
  78. 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.
  79. 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.
  80. 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.
  81. 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).
  82. 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.
  83. 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.
  84. 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.
  85. Victorio M et al. Wearable wireless functional near-infrared spectroscopy system for cognitive activity monitoring. Biosensors (Basel). 2025;15(2):92.
  86. 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.
  87. 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.
  88. 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.
  89. Goering S et al. Recommendations for responsible development and application of neurotechnologies. Neuroethics. 2021;14(3):365–386.
  90. Ienca M, Andorno R. Towards new human rights in the age of neuroscience and neurotechnology. Life Sci Soc Policy. 2017;13(1):5.
  91. 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.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

MedizinAusgabe 233Ausgabe 233Leerer WertAusgabeKognitive ArbeitsbelastungErmüdungsüberwachungGehirn-Computer-SchnittstelleElektroenzephalographieEEGFunktionelle NaherinfrarotspektroskopiefNIRS
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.