Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de revue

Privation de sommeil, fatigue décisionnelle et performance clinique dans la formation médicale : une revue narrative et une perspective sur la surveillance neurophysiologique

101 vues

⸱

DOI :

10.3791/71627

⸱

28 juillet 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

Dans cet article

Résumé

Cette revue narrative et cette perspective examinent comment la privation de sommeil et la fatigue décisionnelle affectent la performance clinique et évaluent la surveillance basée sur EEG et fNIRS comme outils conceptuels pour l’interprétation et le retour d’information conscients de la fatigue dans la formation médicale.

Résumé

La privation de sommeil et la fatigue décisionnelle sont des facteurs importants mais souvent sous-estimés de la performance clinique diurne. Dans les environnements de formation médicale, ces facteurs dépendants de l’état peuvent nuire à l’attention, au contrôle exécutif et à la prise de décision, compliquant l’interprétation de la compétence observée pendant l’éveil. Cette revue narrative et cette perspective synthétisent des preuves issues de la science du sommeil, de la neurophysiologie, de la psychologie et de l’éducation médicale afin d’examiner comment la perte de sommeil et la fatigue décisionnelle influencent la performance clinique et comment les approches de surveillance non invasives peuvent aider à contextualiser cette variabilité. L’attention est portée à l’électroencéphalographie (EEG) et à la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) comme outils de recherche candidats pour caractériser les changements liés à la fatigue dans la charge cognitive et la vigilance. La littérature examinée soutient des liens forts entre la perte de sommeil, la fatigue et l’altération du fonctionnement neurocognitif, mais l’utilisation de la surveillance neurophysiologique en temps réel pour une évaluation exploitable de la préparation en formation médicale reste conceptuelle et nécessite une validation empirique. Nous proposons le cadre CBME-BCI-Fatigue comme modèle de perspective générateur d’hypothèses pour intégrer les informations sur l’état physiologique avec l’évaluation basée sur les compétences, tout en mettant l’accent sur les limitations liées à la validité des constructs, à la valeur incrémentale, à la variabilité individuelle, à la faisabilité et à la gouvernance. Ce cadre pourrait orienter de futures recherches basées sur la simulation et à faible enjeu sur le retour d’information sensible à la fatigue et le soutien des apprenants dans des environnements cliniques vulnérables au sommeil.

Introduction

L’enseignement médical dans le monde entier continue d’évoluer vers des modèles orientés vers les résultats, notamment l’éducation médicale basée sur les compétences (CBME), qui met l’accent sur les capacités démontrables plutôt que sur la progression dépendant du temps. Le concept de compétence professionnelle a longtemps été discuté en lien avec la capacité observable, le raisonnement clinique, la communication, le professionnalisme et la sécurité des soinsaux patients 1,2. Le projet Accreditation Council for Graduate Medical Education (ACGME), les approches informées par CanMEDS, et la théorie CBME qui en a suivi ont en outre encouragé les éducateurs à définir explicitement les résultats de formation et à les évaluerlongitudinalement 3,4. Des discussions récentes ont mis l’accent sur le CBME en première ligne des soinsaux patients 5. Les travaux sur la mise en œuvre dans les milieux de développement professionnel de premier cycle, de troisième cycle et de formation continue mettent également en lumière les défis persistants en matière de faisabilité, de culture d’évaluation et de développement du corpsprofessoral 6,7,8,9,10.

Au sein du CBME, les activités professionnelles confiables (EPA) et les décisions d’attribution ont déplacé l’évaluation vers les jugements basés surla supervision 11, 12, 13, 14, 15. Les courbes d’apprentissage et l’analyse d’apprentissage ont également soutenu l’interprétation longitudinale des progrès desapprenants 16,17. L’éducation de précision, les passeports éducatifs, les environnements d’apprentissage orientés vers la maîtrise et le coaching mettent l’accent sur le retour d’information, le soutien à l’apprenant et la supervisionadaptative 18, 19, 20, 21. Ces approches reconnaissent que la compétence est déduite des schémas de performance à travers le temps et le contexte, plutôt que d’un seul test. Cependant, un angle mort persistant subsiste : la performance observée ne reflète pas toujours une compétence sous-jacente stable. Elle est également influencée par des états physiologiques et cognitifs temporaires, notamment un sommeil insuffisant, un désalignement circadien, la charge de travail, le stress émotionnel et la fatiguedécisionnelle 22.

Ce problème est particulièrement pertinent dans les environnements cliniques où les stagiaires travaillent de nuit, gèrent un grand volume de patients, réalisent des procédures et prennent des décisions répétées dans l’incertitude. La perte de sommeil et la fatigue ont été associées à une vigilance altérée, à un contrôle exécutif, à une vitesse psychomotrice, à la régulation de l’humeur et à un risque d’erreurmédicale 23,24,25,26,27. La performance chirurgicale et procédurale peut être particulièrement vulnérable car elle dépend d’une attention soutenue, d’une précision motrice fine et d’un jugement rapide de la situation. Des revues et des études sur simulateurs lient la privation de sommeil à des changements dans la dextérité chirurgicale et la performance en gestion de crise 28,29,30. Les études au niveau des patients et des procédures montrent des résultats plus hétérogènes, soulignant la nécessité d’une interprétationprudente 31,32,33. Les recherches sur les heures de service, incluant iCOMPARE et les essais randomisés associés, montrent que le sommeil, les transferts, la charge de travail, la sécurité des patients et les résultats scolaires sont interdépendants plutôt que réduits à une seule variable de planification 34,35,36,37,38.

La variabilité de la performance dépendante de l’état est souvent transitoire, situationnelle et difficile à capturer avec les outils d’évaluation conventionnels basés sur le lieu de travail. Un épisode de mauvaise performance après un service de nuit peut refléter un besoin d’apprentissage durable, une perte de fatigue transitoire, une charge de travail excessive, une supervision insuffisante, ou une combinaison de ces facteurs. La surveillance neurophysiologique a été proposée comme une approche complémentaire pour caractériser l’état cognitif pendant l’apprentissage et la pratique. L’électroencéphalographie (EEG) peut capturer des réponses oscillatoires neuronales rapides et liées aux événements, tandis que la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS) peut suivre les changements hémodynamiques corticaux, en particulier dans les régions préfrontales impliquées dans le contrôle exécutif. Ces modalités peuvent fournir des indicateurs contextuels de charge de travail, de vigilance et de fatigue. Cependant, elles ne doivent pas être interprétées comme des mesures validées de compétence ni utilisées comme des déclencheurs directs pour des décisions de supervision ou de mandat.

Cette revue narrative et cette perspective synthétisent les preuves liant la privation de sommeil et la fatigue décisionnelle à la performance clinique, résument les caractéristiques EEG et fNIRS pertinentes pour la fatigue et la charge cognitive, et proposent un cadre CBME-BCI-Fatigue. L’objectif n’est pas de présenter un système d’évaluation établi, mais de clarifier un programme de recherche pour l’interprétation consciente de l’État de la performance des stagiaires dans des environnements médicaux vulnérables au sommeil. La figure 1 présente le cadre proposé, illustrant comment les modulateurs de performance dépendants de l’état, la surveillance neurophysiologique et multimodale, l’interprétation basée sur les compétences, l’intégration de données soutenue par l’IA et le retour adaptatif pourraient être liés dans de futures recherches médicales sur la sensibilité à la fatigue.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Revue et perspective

Approche de recherche

Cet article a été développé comme une revue narrative et une perspective, plutôt qu’une revue systématique, une revue de cadrage ou une méta-analyse. Nous avons recherché PubMed, PsycINFO, Web of Science Core Collection et ERIC depuis la création de la base de données jusqu’au 31 décembre 2025. Les termes de recherche combinaient des concepts liés à la privation de sommeil, à la restriction du sommeil, à la fatigue, à la fatigue décisionnelle, à la performance clinique, à l’éducation médicale basée sur les compétences (CBME), à la charge de travail cognitive, à l’électroencéphalographie (EEG), à la spectroscopie fonctionnelle dans le proche infrarouge (fNIRS), aux interfaces cerveau-ordinateur (BCI) et à la formation médicale. Une mise à jour ciblée a également été réalisée pour intégrer la littérature récente du fNIRS pertinente pour la surveillance du sommeil et de la fatigue.

Les sources ont été sélectionnées et priorisées lorsqu’elles ont directement informé l’un des quatre domaines suivants : les changements liés au sommeil ou à la fatigue dans la performance neurocognitive et clinique ; marqueurs dérivés de l’EEG ou du fNIRS de fatigue, de charge de travail, de vigilance ou de vulnérabilité liée au sommeil ; travaux conceptuels ou appliqués pertinents pour intégrer les informations sur l’état physiologique dans le CBME ; et des questions éthiques ou de mise en œuvre pertinentes à l’usage éducatif. Les sources n’ont pas été sélectionnées pour fournir une couverture exhaustive de toute la littérature sur le sommeil, la BCI ou la neurotechnologie. Nous n’avons pas priorisé les études principalement en neurosciences, en ingénierie des dispositifs ou en neuromodulation thérapeutique à moins qu’elles n’informent directement l’interprétation consciente de la fatigue de la performance des stagiaires. Aucune évaluation formelle du risque de biais ni mise en commun méta-analytique n’a été réalisée ; Les résultats ont été synthétisés de manière descriptive et critique pour soutenir un cadre conceptuel de perspective générant des hypothèses.

Contribution du roman et public cible

La nouveauté de cette revue réside dans le fait de relier plusieurs corps de littérature liés mais souvent discutés séparément — fatigue des résidents, privation de sommeil, fatigue décisionnelle, charge de travail cognitif, surveillance neurophysiologique et évaluation CBME — autour d’un problème éducatif spécifique : comment les éducateurs doivent interpréter la performance clinique observée lorsque l’état cognitif d’un stagiaire peut être temporairement altéré par la perte de sommeil, la fatigue décisionnelle, ou la charge de travail. Le public visé est constitué d’éducateurs médicaux, de cliniciens-éducateurs, de directeurs de programme et de chercheurs intéressés par l’interprétation consciente de la fatigue de la performance des stagiaires. Le cadre proposé CBME-BCI-Fatigue vise à organiser les questions de recherche futures et à clarifier les exigences de validation, et non à valider un système de surveillance opérationnelle ni à soutenir les décisions actuelles d’évaluation à enjeux élevés.

La compétence comme performance dynamique au CBME

La raison d’être initiale du CBME n’était pas simplement de créer de nouveaux formulaires d’évaluation, mais d’aligner la formation médicale sur les besoins des patients et des systèmes de santé. La CBME met l’accent sur la progression basée sur la maîtrise, les trajectoires d’apprentissage individualisées et les preuves que les apprenants peuvent réaliser des activités cliniques significatives sous une supervisionappropriée 5,6. Les cadres nationaux et régionaux de compétences, y compris les cadres de compétences de résidence basés en Chine et les discussions sur le développement des talents i-FIRST, fournissent un langage structuré pour la conception de programmes, le développement des apprenants et la responsabilité éducative 7,8. Parallèlement, la littérature sur la mise en œuvre du CBME note des préoccupations persistantes concernant la faisabilité, le développement du corps professoral, la charge d’évaluation et le risque de réduire la pratique professionnelle complexe à la listede comportements 9,10.

Les EPA et les décisions d’attribution d’attribution ont eu une influence particulière car elles relient l’évaluation à la question clinique de la quantité de supervision dont un apprenant a besoin pour une activité professionnelledéfinie 11, 12, 13, 14. La mise en œuvre de l’EPA souligne également que l’entrustment est un jugement concernant l’apprenant, une tâche, un contexte et un niveau de supervision ; Ce n’est pas simplement un trait fixe intégré dans lestagiaire 15. De même, les courbes d’apprentissage et l’analyse de l’apprentissage peuvent aider les enseignants à identifier des trajectoires dans le temps plutôt que de surinterpréter des points de donnéesisolés 16,17. L’éducation de précision, les passeports éducatifs, les environnements d’apprentissage orientés vers la maîtrise et le coaching renforcent encore l’idée que l’évaluation doit soutenir le développement, le retour d’information et le soutienadaptatif 18,19,20,21.

Une perspective dépendante de l’état étend cette logique. Si un stagiaire obtient de mauvais résultats après une longue veille ou un changement cognitivement intense, la question d’évaluation ne porte pas seulement sur le manque de compétence du stagiaire. Il s’agit également de savoir si le comportement observé reflète une vulnérabilité liée à la fatigue, une charge de travail excessive, une mauvaise supervision, une conception du système ou un décalage entre les exigences de la tâche et l’état cognitif. Un écart de compétences stable peut nécessiter une pratique et un coaching délibérés ; Une interruption liée à la fatigue peut nécessiter une planification de la récupération, une refonte de la charge de travail, un ajustement de supervision ou une intervention au niveau du planning. L’évaluation consciente de l’État ne redéfinit donc pas la compétence. Au contraire, elle améliore le contexte dans lequel les données de performance sont interprétées et réduit le risque de mal classer une altération transitoire comme incapacité durable.

Privation de sommeil, perturbations circadiennes et fatigue décisionnelle

La privation de sommeil et la fatigue sont des facteurs omniprésents mais sous-estimés de la performance des médecins. En formation clinique, les gardes prolongés, le travail de nuit, la charge de travail imprévisible et les transferts fréquents exposent les stagiaires à des conditions pouvant dégrader la vigilance et la prise de décision. Des études sur le sommeil et le bien-être chez les médecins ont lié le sommeil et la détresse liée à l’épuisement professionnel à des erreurs médicales cliniquementsignificatives 23. Les déplacements prolongés ont également été associés à une augmentation des défaillances attentionnelles, des erreurs médicales et des événements indésirables24. La fatigue et la détresse des résidents peuvent également influencer les erreurs médicales auto-déclarées, suggérant que le risque de performance est en partie comportemental, en partie cognitif, et en partie au niveaudu système 25.

Des études observationnelles et expérimentales chez des stagiaires médicaux et des médecins renforcent cette préoccupation. Les internes et résidents effectuant des heures prolongées présentent une diminution des opportunités de sommeil et des schémas de vigilancemodifiés 26. La réduction des heures de travail des internes en unités de soins intensifs a été associée à moins d’erreurs médicales graves dans un essaihistorique 27. Des études chirurgicales et procédurales montrent que la privation de sommeil peut altuer la dextérité du simulateur et la performance en gestion de crise 28,29,30. Les études au niveau du patient et au niveau des procédures restent plus hétérogènes et ne doivent pas être simplifiéesà l’excès 31,32,33. Les différences selon la spécialité, le niveau de formation, la complexité des cas, la supervision, la structure de l’équipe et le type de résultat peuvent expliquer pourquoi les décréments liés à la fatigue sont plus clairs pour la vigilance, la performance simulée et les mesures de processus que pour les résultats en aval des patients.

Les essais pendant les heures de service illustrent pourquoi l’éducation à la sensibilisation à la fatigue ne peut pas reposer uniquement sur la durée du service. L’essai iCOMPARE a révélé que les politiques flexibles d’horaires de service n’étaient pas inférieures aux politiques standards pour certains résultats éducatifs et de sécuritédes patients 34,35. Les analyses des compagnons ont rapporté que le sommeil et la vigilance ne se sont pas nécessairement détériorés selon les règles flexibles des heuresde service 36. En revanche, un essai randomisé sur des plannings sans horaires de 24 heures a montré que l’élimination des quarts prolongés n’améliorait pas uniformément la sécuritédes patients 37. Une étude connexe sur des périodes de travail prolongées a trouvé des effets sur la performance neurocomportementale chez les médecinsrésidents 38. Pris ensemble, ces résultats montrent que l’opportunité de sommeil, la charge de travail, la continuité, les transferts de données et la supervision interagissent de manière complexe.

La littérature plus large sur la science du sommeil fournit un contexte mécanistique. Les perturbations du sommeil altèrent l’attention soutenue, la mémoire de travail, l’inhibition de la réponse, la régulation des émotions et la performance des tâchescomplexes 39,40,41,42. Des horaires de sommeil irréguliers ou instables peuvent également affecter les résultats scolaires et cognitifs, ce qui suggère que la stabilité du sommeil est importante en plus de la duréedu sommeil 43,44. Une restriction chronique du sommeil avec la récupération du week-end peut laisser des effets résiduels sur la performance et lebien-être 45. Dans l’enseignement médical, ces résultats sont importants car les évaluations de formation sont généralement réalisées pendant l’éveil mais documentent rarement l’état de l’apprenant dans lequel la performance est exprimée.

La lassitude décisionnelle ajoute un mécanisme connexe mais distinct. Il fait référence à une détérioration de la qualité des décisions après des choix répétés ou exigeants, en particulier lorsque les décisions nécessitent de la maîtrise de soi, une gestion de l’incertitude ou des compromis de valeur46. Les décisions cliniques impliquent souvent le triage, la prescription, l’escalade des soins, la documentation et les remises sous pression temporelle. Des recherches récentes sur la prescription suggèrent que le temps consacré à la tâche et les exigences décisionnelles accumulées peuvent influencer les choixcliniques 47. La fatigue due aux gardes de nuit peut également modifier les schémas de recherche et la performance diagnostique enradiologie 48. Cependant, la fatigue décisionnelle doit être interprétée avec prudence car la littérature est méthodologiquement hétérogène et les effets peuvent varier selon les tâches, les environnements et les cliniciens.

Marqueurs EEG et fNIRS de fatigue et de charge cognitive

L’EEG a été largement utilisé pour étudier la vigilance, la pression du sommeil, la fatigue et la charge de travail mentale. Dans les études médicales, l’EEG quantitatif après une garde nocturne a montré des changements d’activité thêta, alpha et bêta compatibles avec une fatigue mentale49,50. Ces études sont importantes car elles rapprochent l’évaluation neurophysiologique de véritables travaux cliniques, plutôt que de s’appuyer uniquement sur des paradigmes de privation de sommeil en laboratoire. Cependant, ils restent observatoires et ne peuvent pas établir à eux seuls que l’EEG peut déterminer si un stagiaire est prêt à effectuer une tâche clinique particulière.

L’interprétation EEG au niveau des caractéristiques est plus large que les changements couramment cités en thêta ou alpha/bêta. Les études de charge de travail EEG frontal soutiennent l’utilisation de motifs spectraux et régionaux pour l’estimation de la chargede travail 51. Des études EEG de privation de sommeil ont examiné les changements d’activité spectrale après la perte de sommeil52. La bande thêta a également une double interprétation : elle peut refléter la pression du sommeil, mais peut aussi participer au contrôle cognitif, un point qui complique la simple classificationde fatigue 53. Des études de surveillance de la mémoire de travail en temps réel et des travaux de classification par état du pilote montrent également comment des caractéristiques EEG peuvent être intégrées dans des pipelines de type BCI, mais ces pipelines restent sensibles à la conception des tâches, au prétraitement et à la variabilitéindividuelle 54,55. Les études de fiabilité et les travaux de validation neuroergonomique soulignent que la configuration des électrodes, les choix de prétraitement, les métriques subjectives et la conception des tâches influencent les indices de chargede travail 56,57. Des travaux plus récents sur la prédiction de la charge cognitive multiniveau suggèrent que la combinaison des signatures spatiales, temporelles et spectrales peut améliorer la classification58.

La spectroscopie fonctionnelle dans le proche infrarouge fNIRS fournit des informations complémentaires en mesurant les changements hémodynamiques, notamment l’hémoglobine oxygénée, l’hémoglobine désoxygénée et l’hémoglobine totale. La littérature fNIRS sur la fatigue et la privation de sommeil confirme sa pertinence pour mesurer les corrélats corticaux de l’effort cognitif, de la réduction de la vigilance et des changementssocio-cognitifs 59. Les revues fNIRS axées sur le sommeil montrent également comment les signaux hémodynamiques optiques peuvent contribuer à la recherche sur le sommeil et à la détection de la fatigue60. Une étude récente de 2026 sur les biomarqueurs fNIRS en bande cardiaque pour la différenciation du sommeil non rapide par mouvements oculaires avec validation EEG illustre l’intérêt croissant pour les caractéristiques du domaine fréquentiel et de la bande cardiaque au-delà de l’amplitudeHbO simple 61. Ensemble, cette littérature soutient une discussion au niveau des caractéristiques incluant HbO, HbR, HbT, réponses dans le domaine temporel, connectivité et biomarqueurs en domaine fréquentiel.

Les études sur le fNIRS préfrontal sont particulièrement pertinentes car le contrôle exécutif, l’inhibition de la réponse et la régulation de la charge de travail dépendent fortement des systèmes frontaux. La privation de sommeil a été associée à une altération de la connectivité fonctionnelle liée à la tâche dans le cortexfrontal 62. Des travaux connexes ont révélé une perte de connectivité fonctionnelle frontale après privation de sommeil63. Des études chez les jeunes adultes souffrant de sommeil court suggèrent également que les réponses hémodynamiques préfrontales peuvent varier avec le comportement de sommeil et l’activitéphysique 64. Le fNIRS portable a été utilisé pour la détection automatique de fatigue cognitive avec machinelearning 65. Les systèmes hybrides EEG-fNIRS peuvent améliorer la classification des charges de travail en intégrant la connectivité cérébrale fonctionnelle et les propriétés du signalcomplémentaire 66,67. Collectivement, ces études soutiennent l’utilisation de l’EEG et du fNIRS comme outils de recherche et indicateurs contextuels candidats, mais pas encore comme mesures validées de préparation dans la formation médicale.

Le tableau 1 est donc destiné à être une carte au niveau des caractéristiques plutôt qu’une hiérarchie de biomarqueurs validés. Il distingue les caractéristiques EEG spectrales, liées aux événements, temporelles et de connectivité des caractéristiques basées sur l’amplitude, le domaine temporel, la connectivité, le domaine fréquentiel ou la bande cardiaque basées sur le fNIRS. Cette distinction est importante car chaque famille de caractéristiques capture différentes dimensions de la construction de charge de fatigue et comporte des risques différents liés aux artéfacts et à l’interprétation. Par exemple, un rapport thêta/alpha plus élevé, une amplitude P300 réduite ou un HbO préfrontal plus faible peuvent être compatibles avec la fatigue, mais peuvent aussi refléter la difficulté de la tâche, l’effort compensatoire, le stress, la configuration des capteurs ou des différences de base individuelles. Le tableau vise à soutenir la conception des études, la construction de l’alignement et l’interprétation prudente, et non à définir des seuils opérationnels de compétence, d’attribution ou de préparation clinique.

BCI, fusion multimodale et applications éducatives

Les BCI non invasifs et les technologies neurophysiologiques portables se sont rapidement étendues dans les domaines médical, de l’ingénierie et de l’éducation. Les revues des dispositifs BCI portables basés sur l’EEG mettent en lumière les progrès en matière de portabilité et d’applicationsmédicales 68. Des revues plus larges et de pointe soulignent que les systèmes BCI non invasifs s’améliorent mais rencontrent encore des limitations en termes de qualité du signal, d’ergonomie, d’étalonnage etde robustesse 69,70,71,72. Ces contraintes sont importantes pour l’enseignement médical car un outil éducatif doit non seulement être précis dans un cadre contrôlé, mais aussi réalisable, acceptable, interprétable et aligné sur les concepts éducatifs.

Les applications éducatives les plus défendables sont la simulation, la recherche et le retour d’information à faible enjeu. L’entraînement laparoscopique en VR peut synchroniser les données de performance avec les signaux liés à la charge de travail afin d’étudier comment la demande cognitive se rapporte à l’apprentissageprocédural 73. Les tâches neurochirurgicales simulées ont utilisé l’IA et l’EEG pour distinguer les niveaux d’expertise, suggérant une voie d’étude de l’acquisition de compétences plutôt que de remplacer le jugementdes enseignants 74. Les environnements de jeux sérieux et de réalité mixte ont utilisé l’analyse des biocapteurs pour estimerl’engagement affectif 75. Les systèmes passifs de BCI qui adaptent la vitesse d’apprentissage à la charge cognitive illustrent comment un retour sensible à l’état pourrait fonctionner dans des contextes éducatifs à faiblerisque 76. Les travaux de détection ambulatoire du sommeil montrent comment les données multimodales de séries temporelles peuvent soutenir la surveillance longitudinale en dehors dulaboratoire 77. Ces exemples sont mieux interprétés comme des preuves à l’appui ou une preuve de concept, et non comme une validation pour des décisions d’attribution ou de remédiation à enjeux élevés.

Des études de stade du sommeil assistée par IA montrent comment les méthodes d’apprentissage automatique peuvent classifier les séries temporelles physiologiques liées ausommeil 78,79,80. La réactivation ciblée de la mémoire, la neuromodulation portable, les interventions contre la fatigue et les systèmes fNIRS sans fil illustrent également comment les signaux physiologiques peuvent être suivis ou utilisés dans les architectures de rétroactionadaptative 81, 82, 83, 84, 85. Ces études sont techniquement informatives, mais leur pertinence pédagogique directe est limitée sauf si elles sont liées à la performance en journée, au moment des retours, aux décisions de supervision ou au soutien des apprenants dans des contextes de formation. Ils doivent donc être interprétés comme des ponts méthodologiques plutôt que comme une preuve que l’évaluation consciente de la fatigue au sein du CBME est prête à être utilisée de façon routinière.

La traduction en milieu de travail nécessite plus de prudence que la simulation. Les environnements cliniques authentiques introduisent des artefacts de mouvement, des interruptions, du stress émotionnel, des exigences de travail d’équipe, l’acuité du patient, des objectifs de tâches variables et des dynamiques de pouvoir implicites entre les stagiaires et les superviseurs. Les données physiologiques dans l’évaluation en milieu de travail doivent donc être volontaires, à faible enjeu et contextuelles. Les applications raisonnables incluent la cartographie globale du risque de fatigue, l’évaluation des plannings, le débriefing par simulation ou le retour d’information contrôlé par l’apprenant. Les applications déraisonnables incluraient l’utilisation de seuils EEG, fNIRS ou multimodaux comme preuves autonomes pour l’attribution de mandat, la promotion, la remédiation ou la sanction.

Preuves établies versus extensions conceptuelles

Une distinction centrale dans cette revue est entre les preuves établies et l’extension conceptuelle. Les preuves établies montrent que la privation de sommeil, les perturbations circadiennes, l’éveil prolongé et la fatigue altèrent les domaines neurocognitifs qui sont essentiels pour le travailclinique 23,24,25,26,27. Les travaux méta-analytiques et expérimentaux soutiennent également les effets sur l’attention, le contrôle exécutif, la régulation de l’humeur et la performance des tâchescomplexes 39,40,41,42. Des études médicales et procédurales indiquent que la fatigue peut affecter le risque d’erreur, la recherche diagnostique, la gestion de crise et la performancetechnique 28,29,30,48. Cependant, les études au niveau des procédures et des résultats montrent également une hétérogénéité, ce qui s’oppose à une simple interprétation un à un de la fatigue et des dommagescliniques 31,32,33. Les essais sur les heures de travail démontrent que la politique de sensibilisation à la fatigue doit prendre en compte la conception des heures de travail ainsi que l’opportunité de sommeil, la charge de travail, les transferts, la continuité et les conséquences éducatives 34,35,36,37,38. Les études EEG chez les médecins et les paradigmes de charge de travail soutiennent la sensibilité neuronale à la fatigue et à la charge cognitive 49,50,51, tandis que les études fNIRS, portables et hybrides EEG-fNIRS fournissent des preuves hémodynamiques et multimodales complémentaires 59,60,61,62,63,64,65,66, 67.

L’extension conceptuelle est la proposition selon laquelle les indicateurs de l’état physiologique pourraient aider à contextualiser la performance des stagiaires au sein du CBME. Cette extension est plausible mais non validée. Les preuves que la perte de sommeil modifie l’activité neuronale n’impliquent pas automatiquement que la surveillance en temps réel peut générer des décisions de supervision ou d’éducation exploitables. À ce jour, aucun schéma généralisable en temps réel d’activité neuronale ou hémodynamique n’a été démontré capable d’identifier de manière fiable l’instabilité cognitive ou la préparation clinique chez les individus, les tâches, les spécialités et les contextes opérationnels. Le même schéma physiologique peut refléter la fatigue, l’effort cognitif, l’anxiété, la motivation, la difficulté de la tâche, l’engagement compensatoire, les artefacts des capteurs, le stress environnemental ou des différences de base individuelles.

En conséquence, le cadre CBME-BCI-Fatigue doit être interprété comme un modèle de recherche plutôt que comme un système d’évaluation mis en œuvre. Son objectif est de clarifier comment les modulateurs dépendants de l’état, la surveillance physiologique et comportementale, ainsi que l’interprétation basée sur les compétences de la performance observée pourraient être étudiés ensemble. Dans la simulation ou d’autres environnements de recherche à faible enjeu, des caractéristiques EEG ou fNIRS peuvent être collectées aux côtés des erreurs de tâche, du temps de réponse, des évaluations de charge de travail, de l’historique de sommeil, des tests de vigilance psychomotrice et des retours du superviseur pour vérifier si les indicateurs d’état aident à expliquer la variabilité des performances. Dans les contextes d’évaluation en milieu de travail, les données physiologiques nécessitent une prudence encore plus grande. Dans la base de données actuelle, ces données peuvent être les plus appropriées pour la recherche globale sur le risque de fatigue, la conception de calendriers ou le soutien volontaire aux apprenants. Ils ne doivent pas être utilisés comme base autonome pour des décisions de confiance, promotion, remédiation ou discipline. Le tableau 2 résume ces distinctions en séparant les preuves établies, les extensions conceptuelles, les exigences de validation et les références représentatives de soutien au sein du cadre CBME-BCI-Fatigue.

Construire la validité, la valeur incrémentale, les références individuelles et la gouvernance

La validité des constructs est le principal défi méthodologique pour la surveillance neurophysiologique consciente de la fatigue. Les signaux EEG et fNIRS ne sont pas spécifiques à la fatigue ou à la préparation ; Ils peuvent également refléter la difficulté de la tâche, l’anxiété, la motivation, l’effort cognitif, l’engagement compensatoire, le stress environnemental, des artefacts capteurs ou des différences de base individuelles. Les études futures devraient donc prédéfinir la construction éducative mesurée, spécifier la relation attendue entre l’état physiologique et la performance, et trianguler les signaux physiologiques avec des données comportementales, contextuelles et éducatives plutôt que d’interpréter un seul signal comme un marqueur direct de compétence.

La valeur incrémentale doit également être démontrée. La surveillance EEG/fNIRS doit être évaluée par rapport à des comparateurs plus simples et plus réalisables, incluant les journaux de sommeil, l’actigraphie, les tests de vigilance psychomotrice, le dépistage cognitif bref, les évaluations de la charge de travail, la télémétrie de performance et l’observation experte. Une approche neurophysiologique ne serait justifiée que si elle améliore l’explication, la prédiction, le moment de rétroaction ou le soutien de l’apprenant au-delà de ces mesures. Sans telles preuves, la surveillance multimodale peut complexifier sans améliorer la prise de décision éducative.

La modélisation individuelle de la base est essentielle. La variation interindividuelle de l’activité neuronale, de la vulnérabilité au sommeil, du chronotype, de la réponse au stress, de l’expérience clinique et de l’ajustement des capteurs limite la valeur des seuils universels. Une base spécifique au stagiaire peut aider à distinguer les déviations inhabituelles liées à la fatigue de la variation physiologique normale, mais cela nécessite des mesures répétées, un placement fiable des capteurs, des ancrages de tâche standardisés et des modèles analytiques transparents. L’apprentissage automatique peut aider à intégrer des signaux multimodaux, mais il ne peut pas résoudre des concepts invalides, des données biaisées, une mauvaise qualité du signal ou des hypothèses causales floues. L’adaptation de domaine, les algorithmes de protection de la vie privée et la modélisation générative peuvent réduire une partie de la charge d’étalonnage, mais ils nécessitent une validation plus large avant d’être utilisés pour soutenir des décisions éducatives86,87.

Les barrières techniques et écologiques restent importantes. L’EEG est vulnérable aux artefacts de mouvement, à l’impédance des électrodes, au bruit d’ambiance, à la dépendance au montage et aux choix de prétraitement. Le fNIRS est affecté par le placement des optodes, le flux sanguin du cuir chevelu, le mouvement, les cheveux, une pénétration en profondeur limitée et une résolution temporale plus faible. Les systèmes portables s’améliorent, notamment les appareils fNIRS sans fil compacts pour la surveillance de l’activitécognitive 85, mais le confort et la faisabilité ne garantissent pas la validité éducative. Le déploiement nécessite également une configuration compatible avec les flux de travail, des rapports interprétables, la sécurité des données et l’acceptation par l’utilisateur final. Les études sur l’acceptation sociale nous rappellent que la confiance des utilisateurs et la raison d’être perçue sont au cœur de l’adoption88.

La gouvernance éthique doit être traitée comme une condition limite du cadre plutôt que comme une réflexion secondaire. Les données neurophysiologiques peuvent révéler ou suggérer des informations sur la fatigue, l’attention, les émotions ou l’état de santé. Le développement responsable des neurotechnologies nécessite la limitation des objectifs, la minimisation des données, un stockage sécurisé, la transparence, les contrôles d’accès et une attention particulière à l’autonomie et auconsentement 89,90. Les systèmes BCI en réseau soulèvent également des préoccupations en matière de cybersécurité, notamment si les résultats décodés influencent le retour d’information, les opportunités de formation ou les décisions pertinentes pour la sécurité91. Dans l’éducation, les apprenants peuvent ressentir une pression implicite pour participer, et les métriques physiologiques pourraient involontairement amplifier les biais si les modèles fonctionnent de manière inégale selon les populations ou les contextes. Les recherches futures devraient prioriser la participation volontaire lorsque cela est possible, une séparation claire entre retours favorables et jugements à enjeux élevés, des mécanismes d’appel et une gouvernance informée par les parties prenantes.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Conclusions

La privation de sommeil et la fatigue décisionnelle sont des contributeurs établis à la variabilité dépendante de l’état dans l’attention, le contrôle exécutif, la performance psychomotrice et la prise de décision clinique. Dans la formation médicale, ces fluctuations peuvent compliquer l’interprétation de la compétence observée, en particulier dans des environnements à forte demande tels que la médecine d’urgence, les soins intensifs, l’anesthésie et la chirurgie. L’éducation médicale f...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent ne pas avoir de conflit d’intérêts.

Remerciements

Les auteurs remercient chaleureusement les collègues du Département de Médecine Intensive et du Département de l’Éducation de notre établissement pour leur soutien et leurs discussions lors de la préparation de cette revue. Ce travail a été soutenu par le Projet de Recherche Scientifique Générale du Département provincial de l’Éducation du Zhejiang (Subvention n° Y202557476).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Références

  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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Étiquettes

MédecineNuméro 233Numéro 233Valeur videNuméroCharge cognitiveSurveillance de la fatigueInterface cerveau-machineélectroencéphalographieEEGSpectroscopie fonctionnelle proche infrarougefNIRS
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.