このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

レビュー記事

睡眠不足、意思決定疲労、医療訓練における臨床パフォーマンス:神経生理学的モニタリングに関するナラティブレビューと視点

122 回視聴

⸱

DOI:

10.3791/71627

⸱

2026年7月28日

 ,  ,  , 
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

この記事について

サマリー

本ナラティブレビューと視点では、睡眠不足と意思決定疲労が臨床パフォーマンスにどのように影響するかを検討し、EEGおよびfNIRSに基づくモニタリングを、医療訓練における疲労認識解釈とフィードバックの概念的ツールとして評価します。

要約

睡眠不足や意思決定疲労は重要ですが、日中の臨床成績を決定する要因としてはしばしば十分に認識されていません。医療訓練環境では、これらの状態依存的要因が注意力、実行制御、意思決定を妨げ、覚醒時の観察能力の解釈を複雑にすることがあります。本ナラティブレビューと視点は、睡眠科学、神経生理学、心理学、医学教育からの証拠を統合し、睡眠不足や意思決定疲労が臨床パフォーマンスにどのように影響するか、また非侵襲的モニタリング手法がこの変動性をどのように文脈化するかを検証します。脳波計(EEG)や機能的近赤外分光法(fNIRS)が、認知負荷と警戒力の変化に伴う疲労関連の変化を特徴づける候補研究ツールとして注目されています。レビューされた文献は睡眠不足、疲労、神経認知機能障害との強い関連性を支持していますが、医療訓練における実践的な準備評価のためのリアルタイム神経生理学的モニタリングの利用はまだ概念的であり、実証的な検証が必要です。私たちは、CBME-BCI-疲労フレームワークを、生理状態情報と能力に基づく評価を統合するための仮説生成視点モデルとして提案しつつ、構成概念の妥当性、増分価値、個人の変動性、実現可能性、ガバナンスに関する限界を強調します。この枠組みは、将来のシミュレーションベースかつ低リスクな疲労認識フィードバックや睡眠脆弱な臨床訓練環境における学習者支援の研究に役立つ可能性があります。

概要

世界中の医療教育は、特に時間依存的な進歩ではなく、実証可能な能力を重視する能力重視の医療教育(CBME)など、成果志向モデルへと移行し続けています。専門的能力の概念は、観察可能な能力、臨床的推論、コミュニケーション、専門性、安全な患者ケアに関連して長く議論されてきました1,2。大学院医学教育認定評議会(ACGME)成果プロジェクト、CanMEDSに基づくアプローチ、そしてその後のCBME理論は、教育者に対し研修成果を明確に定義し、縦断的に評価することをさらに促しています。3,4。最近の議論では、患者ケアの最前線でのCBMEが強調されています。学部生、大学院生、継続的専門能力開発の環境における実施作業は、実現可能性、評価文化、教員育成における継続的な課題も浮き彫りにしています。6,7,8,9,10。

CBME内では、受託専門活動(EPA)および委託決定は、評価を監督に基づく判断11、12、13、14、15へとシフトしています。学習曲線と学習分析は、学習者の進捗の縦断的解釈をさらに支援しています16,17。精密教育、教育パスポート、習熟志向の学習環境、コーチングはフィードバック、学習者支援、適応的監督を強調しています 18,19,20,21。これらのアプローチは、能力は単一のテストからではなく、時間や文脈を通じたパフォーマンスのパターンから推論されることを認識しています。しかし、持続的な盲点が残っています。観察されたパフォーマンスが必ずしも安定した基礎的能力を反映しているわけではありません。また、睡眠不足、概日リズムのずれ、仕事量、感情的ストレス、意思決定疲労など、一時的な生理的・認知的状態によっても形作られます。

この問題は、研修医が夜通し働き、大量の患者数を管理し、手技を行い、不確実な状況で繰り返し意思決定を行う臨床環境で特に重要です。睡眠不足や疲労は、警戒障害、実行制御、精神運動速度、気分調節、医療エラーリスクと関連しています(23,24,25,26,27)。手術および手技の実行は、持続的な注意、微細運動の精度、迅速な状況判断に依存するため、特に脆弱な場合があります。レビューおよびシミュレーター研究は、睡眠不足と手術の器用さおよび危機管理能力の変化を関連付けています(28,29,30)。患者レベルおよび手技レベルの研究ではより異質な結果が示されており、慎重な解釈の必要性が強調されています 31,32,33。iCOMPAREや関連するランダム化試験を含む勤務時間研究は、睡眠、引き継ぎ、業務負荷、患者の安全、教育成果が単一のスケジューリング変数34、35、36、37、38に還元されるのではなく相互依存していることを示しています。

州ごとの業績変動は一時的で状況依存的であり、従来の職場ベースの評価ツールでは捉えにくいことが多いです。夜勤後の低パフォーマンスエピソードは、持続的な学習ニーズ、一時的な疲労による欠如、過剰な業務負荷、不十分な監督、またはこれらの要因の組み合わせを反映している可能性があります。神経生理学的モニタリングは、学習や実践中の認知状態を特徴づける補完的なアプローチとして提案されています。脳波計(EEG)は高速の神経振動や事象関連の反応を捉えることができ、機能的近赤外分光法(fNIRS)は特に実行制御に関与する前頭前頭の皮質血行動態変化を追跡できます。これらの手法は、作業量、警戒心、疲労の文脈的な指標を提供する可能性があります。しかし、これらは能力の検証された指標として解釈されたり、監督や委託の決定に直接的なトリガーとして用いるべきではありません。

本ナラティブレビューと視点は、睡眠不足と意思決定疲労が臨床パフォーマンスに結びつく証拠を統合し、疲労および認知負荷に関連するEEGおよびfNIRSの特徴を要約し、CBME-BCI-疲労の枠組みを提案します。目的は確立された評価システムを提示することではなく、睡眠に脆弱な医療訓練環境における研修生のパフォーマンスを国家に意識した解釈のための研究課題を明確にすることです。 図1 は提案されたフレームワークを示し、状態依存のパフォーマンスモジュレーター、神経生理学的およびマルチモーダルモニタリング、能力ベースの解釈、AI支援データ統合、適応的フィードバックが将来の疲労認識医療トレーニング研究でどのように関連しうるかを示しています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

レビューと展望

探索アプローチ

本記事は、システマティックレビュー、スコーピングレビュー、メタアナリシスではなく、ナラティブレビューと視点を提示するために作成されました。データベース開始から2025年12月31日まで、PubMed、PsycINFO、Web of Scienceコアコレクション、ERICを検索しました。検索語は、睡眠不足、睡眠制限、疲労、意思決定疲労、臨床パフォーマンス、能力に基づく医療教育(CBME)、認知負荷、脳波(EEG)、機能的近赤外分光法(fNIRS)、脳コンピュータインターフェース(BCI)、医療訓練に関連する概念を組み合わせています。また、睡眠および疲労モニタリングに関連する最新のfNIRS文献を取り入れたターゲットを絞った更新も実施されました。

情報源は、神経認知および臨床パフォーマンスの睡眠または疲労に関連する変化のいずれかに直接影響を与える場合に選択・優先順位付けされました。EEGまたはfNIRS由来の疲労、負荷、警戒、または睡眠関連脆弱性のマーカー;生理状態情報をCBMEに統合するに関わる概念的または応用的研究;そして教育利用に関連する倫理的または実施上の問題。すべての睡眠、BCI、または神経技術に関する文献を網羅的にカバーする情報源は選ばれていません。主に基礎神経科学、デバイス工学、治療神経調節に関する論文であった研究は、疲労意識に基づく研修者のパフォーマンスの解釈に直接影響を与えるものを除き、優先しませんでした。正式なバイアスリスク評価やメタアナリシスプーリングは行われませんでした。発見は記述的かつ批判的に統合され、概念的かつ仮説生成の視点枠組みを支持しました。

新規貢献と対象読者

本レビューの新規性は、研修者疲労、睡眠不足、意思決定疲労、認知負荷、神経生理学的モニタリング、CBME評価といった関連しつつもしばしば別々に議論される複数の文献群を、特定の教育課題に結びつけている点にあります。すなわち、睡眠不足によって一時的に研修者の認知状態が変化する可能性がある場合、教育者は観察された臨床パフォーマンスをどのように解釈すべきか、 仕事量も。対象対象は、医療教育者、臨床教育者、プログラムディレクター、そして研修医のパフォーマンスの疲労意識に意識した解釈に関心を持つ研究者です。提案されているCBME-BCI-疲労フレームワークは、将来の研究課題を整理し、検証要件を明確にすることを目的としており、運用監視システムの検証や現在の重要な評価決定を支援するためのものではありません。

CBMEにおける動的パフォーマンスとしての能力

CBMEの当初の目的は、単に新しい評価フォームを作成することだけでなく、医療教育を患者や医療システムのニーズに沿わせることでした。CBMEは、習熟度、個別化された学習軌跡、そして適切な監督のもとで学習者が意味のある臨床活動を行えるという証拠に基づく進歩を重視します5,6。中国拠点のレジデンシー能力フレームワークやi-FIRST人材開発ディスカッションを含む、国家および地域の能力フレームワークは、カリキュラム設計、学習者育成、教育的責任のための構造化された言語を提供します7,8。同時に、CBMEの実施に関する文献は、実現可能性、教員育成、評価負担、複雑な専門的実践を削減するリスクについての継続的な懸念を指摘しています。

EPAや委託決定は特に影響力がありました。なぜなら、評価を学習者が定義された専門的活動に対してどれだけの監督を必要とするかという臨床的な問題と結びつけているからです(11,12,13,14)。EPAの実施はまた、委任が学習者、課題、文脈、監督レベルに関する判断であることを強調しています。これは単に訓練生15に埋め込まれた固定的な特性ではありません。同様に、学習曲線や学習分析は、教育者が単一のデータポイントを過剰に解釈するのではなく、時間をかけて軌道を特定するのに役立ちます16,17。精密教育、教育パスポート、マスタリー志向の学習環境、コーチングは、評価が発達、フィードバック、適応的支援を支援するべきだという考えをさらに強化しています。

状態依存的視点はこの論理を拡張します。長時間の覚醒や認知的な変化後に成績が悪くなった場合、評価されるのは単に能力がないかどうかではありません。また、観察される行動が疲労に関連する脆弱性、過剰な作業量、監督の不備、システム設計、または課題要求と認知状態の不一致を反映しているかどうかも重要です。安定した能力のギャップには、意図的な練習とコーチングが必要になることがあります。疲労による欠如は、回復計画、業務量の再設計、監督調整、またはスケジュールレベルの介入が必要となることがあります。したがって、州知的評価は能力を再定義するものではありません。むしろ、性能データの解釈の文脈を改善し、一過性障害を耐久性のある障害として誤分類するリスクを減らします。

睡眠不足、概日リズムの乱れ、そして決断疲労

睡眠不足や疲労は広く存在していますが、医師のパフォーマンスを決定する要因として過小評価されています。臨床研修では、長時間のシフト、夜間勤務、予測不可能な業務量、頻繁な引き継ぎが研修医を警醒力や意思決定能力を低下させる状態にさらします。医師の睡眠とウェルビーイングに関する研究では、睡眠や燃え尽き症候群に関連する苦痛が臨床的に重要な医療的誤りと関連していることが示されています。長期間のシフトは、注意力障害の増加、医療ミス、有害事象の増加とも関連しています24。入居者の疲労や苦痛は自己申告の医療ミスにも影響を与える可能性があり、パフォーマンスリスクは部分的には行動的、部分的には認知的、部分的にはシステムレベルにあることを示唆しています。

医療研修医や医師を対象とした観察・実験的研究もこの懸念を強化しています。インターンや長期勤務のレジデントは睡眠機会の減少と覚醒パターンの変化を示す26。集中治療室でのインターン労働時間の短縮は、画期的な試験で重篤な医療ミスが減少することと関連しています27。外科的および手技的研究は、睡眠不足がシミュレーターの器用さや危機管理能力を損なう可能性があることを示しています 28,29,30。患者レベルおよび手技レベルの研究は依然としてより異質であり、過度に単純化すべきではありません 31,32,33。専門分野、研修レベル、症例の複雑さ、監督、チーム構成、アウトカムタイプの違いが、疲労関連の減少が警戒、シミュレーションパフォーマンス、プロセス測定の方が後流の患者アウトカムよりも明確に現れる理由を説明している可能性があります。

勤務時間試験は、疲労意識のある教育がシフトの長さだけに頼れないことを示しています。iCOMPARE試験では、柔軟な勤務時間ポリシーが特定の教育成果および患者安全アウトカムにおいて標準方針と劣らずであることが示されました(34,35)。コンパニオンの分析では、柔軟な勤務時間ルール36の下で睡眠や覚醒が必ずしも悪化したとは限りませんでした。対照的に、24時間シフトなしのスケジュールを対象としたランダム化試験では、延長シフトを廃止しても患者の安全性が一様に向上しなかったことが示されました37。関連する長期勤務シフト研究では、レジデント医師に神経行動パフォーマンスへの影響が見られました。これらの発見を総合すると、睡眠機会、業務負荷、継続性、引き渡し、監督が複雑な形で相互作用していることが示されています。

より広範な睡眠科学の文献は、メカニズム的な文脈を提供しています。睡眠障害は持続的な注意力、作業記憶、反応抑制、感情調節、複雑な課題の遂行を妨げます。39,40,41,42。不規則または不安定な睡眠スケジュールも学業や認知面に影響を与える可能性があり、睡眠の安定性も睡眠時間に加えて重要であることを示唆しています43,44。週末の回復を伴う慢性的な睡眠制限は、パフォーマンスや健康に残留影響を残す可能性があります。医学教育において、これらの発見は重要です。なぜなら、トレーニング評価は通常覚醒時に行われるが、学習者のパフォーマンスが表現される状態を記録することは稀だからである。

意思決定疲労は関連しているが異なるメカニズムを加えます。これは、繰り返しまたは努力の余地のある選択の後に意思決定の質が低下し、特に自己制御、不確実性管理、価値のトレードオフを必要とする場合を指します。臨床の意思決定は、トリアージ、処方、ケアのエスカレーション、記録、時間的プレッシャーによる引き継ぎなどを含みます。最近の処方研究は、タスクに時間を割くことや累積した意思決定要求が臨床選択に影響を与えることを示唆しています。夜間勤務による疲労も放射線科48での捜索パターンや診断性能に影響を与えることがあります。しかし、意思決定疲労は、文献が方法論的に異質であり、課題や環境、臨床医によって効果が異なる可能性があるため、慎重に解釈されるべきです。

疲労と認知負荷を示すEEGおよびfNIRSマーカー

EEGは警戒心、睡眠圧、疲労、精神的負荷の研究に広く用いられています。医師の研究では、夜間オンコール後の定量的EEG検査で、シータ、アルファ、ベータ活動の変化が精神疲労に一致していることが示されています。これらの研究は、神経生理学的評価を単なる実験室での睡眠剥奪パラダイムに頼るのではなく、実際の臨床作業により近づける点で重要です。しかし、それらは観察的なものであり、EEGだけで研修医が特定の臨床課題を遂行できるかどうかを判断できるとは限りません。

特徴レベルのEEG解釈は、一般的に挙げられるシータ波やアルファ/ベータの変化よりも広範です。前頭EEGのワークロード研究は、スペクトルパターンおよび地域パターンを用いたワークロード推定を支持しています。睡眠不足時のEEG研究では、睡眠喪失後のスペクトル活動の変化が調査されています。シータバンドには二重の解釈もあり、睡眠圧を反映する場合もありますが、認知制御にも関与しており、これは単純な疲労分類を複雑にするポイント53です。リアルタイムの作業記憶モニタリング研究やドライバー状態分類の研究は、EEG機能がBCIスタイルのパイプラインに組み込まれることを示していますが、これらのパイプラインはタスク設計、前処理、個別の変動に敏感であり続けます54,55。信頼性研究および神経エルゴノミクス的検証研究は、電極構成、前処理の選択、主観的指標、タスク設計が作業負荷指数に影響を与えることを強調しています(56,57)。より最近の多層認知負荷予測研究では、空間的、時間的、スペクトル的なシグネチャーを組み合わせることで分類58の改善が期待されています。

機能的近赤外分光法fNIRSは、酸素化ヘモグロビン、脱酸素化ヘモグロビン、総ヘモグロビンなどの血行動態変化を測定することで補完的な情報を提供します。fNIRSの疲労と睡眠不足に関する文献は、認知努力、覚醒度の低下、社会認知変化の皮質相関を測定する上で有用であることを支持しています59。睡眠に焦点を当てたfNIRSレビューは、光学血行動態信号が睡眠研究や疲労検出にどのように寄与するかも示しています。2026年に発表された非急速眼球運動睡眠分化の心臓バンドfNIRSバイオマーカーとEEGの検証に関する最近の研究は、単純なHbO振幅61を超えた周波数領域および心バンドの特徴への関心の高まりを示しています。これらの文献は、HbO、HbR、HbT、時間領域応答、結合性、周波数領域バイオマーカーを含む特徴レベルの議論を支持しています。

前頭前線fNIRS研究は特に重要です。なぜなら、実行制御、反応抑制、作業負荷の調整が前頭神経系に大きく依存しているからです。睡眠剥奪は前頭皮質62におけるタスク関連の機能結合性の変化と関連しています。関連研究では、睡眠剥奪後の前頭部機能結合性喪失が確認されています63。短睡眠の若年成人を対象とした研究では、前頭前頭の血行動態反応が睡眠行動や身体活動によって変化することが示唆されています(64)。ウェアラブルfNIRSは機械学習65を用いた自動認知疲労検出に利用されています。ハイブリッドEEG-fNIRSシステムは、機能的脳接続性と補完的な信号特性を統合することで、ワークロード分類を改善することができます66,67。これらの研究は総じて、EEGおよびfNIRSを研究ツールおよび候補的な文脈指標として利用することを支持していますが、医療訓練における準備度指標としてはまだ検証されていません。

したがって、表1は検証済みバイオマーカーの階層構造ではなく、特徴レベルのマップとして意図されています。この技術は、脳波スペクトル、事象関連、時間的、連結性の特徴を、fNIRS振幅ベースの、時間領域、連結性、周波数領域、または心臓バンドの特徴と区別します。この区別は重要です。なぜなら、各特徴ファミリーは疲労負荷構造の異なる側面を捉え、異なるアーティファクトや解釈リスクを伴うからです。例えば、シータ/アルファ比が高い、P300振幅の低下、または前頭前頭のHbOが低いことは疲労と両立するかもしれませんが、課題の難易度、補償的努力、ストレス、センサー構成、または個人の基準値差を反映することもあります。この表は、研究設計、整合性の構築、慎重な解釈を支援するためのものであり、能力、委託、臨床準備の運用閾値を定義するためのものではありません。

BCI、マルチモーダル核融合、教育応用

非侵襲的なBCIやウェアラブル神経生理学技術は、医療、工学、教育の分野で急速に拡大しています。ウェアラブルEEGベースのBCIデバイスのレビューは、携帯性と医療応用の進展を強調しています68。より広範な最先端レビューでは、非侵襲的なBCIシステムが改善されているものの、信号品質、使いやすさ、キャリブレーション、堅牢性に依然として制限があることが強調されています(69,70,71,72)。これらの制約は医療教育にとって重要です。なぜなら、教育ツールは管理された環境で正確であるだけでなく、実現可能で受け入れられ、解釈可能で、教育の枠組みに沿ったものでなければならないからです。

最も擁護可能な教育応用はシミュレーション、研究、低リスクフィードバックです。VR腹腔鏡トレーニングは、パフォーマンスデータとワークロード関連の信号を同期させ、認知需要が手続き的学習とどのように関連しているかを研究できます73。模擬脳神経外科の課題では、AIとEEGを用いて専門レベルを区別しており、教員判断の代替ではなくスキル習得の研究経路を示唆しています74。シリアスゲームや混合現実環境では、バイオセンサー分析を用いて感情的関与を推定しています。75。学習速度を認知負荷に適応させる受動的なBCIシステムは、低リスクの教育文脈で状態感受性フィードバックがどのように機能するかを示しています。外来睡眠検出の研究は、マルチモーダル時系列データが実験室77外での縦断的モニタリングを支援できることを示しています。これらの例は、重要な委託や修復決定の検証としてではなく、裏付けとなる証拠や概念実証として解釈するのが最適です。

AI支援睡眠段階分析は、機械学習手法が睡眠関連生理時系列を分類できる78、79、80を示しています。標的記憶再活性化、ウェアラブル神経調節、疲労介入、無線fNIRSシステムは、生理的信号がどのように追跡され、適応的フィードバックアーキテクチャで利用されるかを示しています(81,82,83,84,85)。これらの研究は技術的には有益ですが、日中のパフォーマンス、フィードバックのタイミング、監督の決定、または研修の文脈での学習者支援と関連しない限り、直接的な教育的関連性は限定的です。したがって、CBMEにおける疲労認識評価が日常的に活用できるという証拠ではなく、方法論的な架け橋として解釈されるべきです。

職場での翻訳はシミュレーションよりも慎重さが必要です。本格的な臨床環境は、動作のアーティファクト、中断、感情的ストレス、チームワークの要求、患者の重症度、変動するタスク目標、そして研修医と監督者の間の暗黙の権力関係を生み出します。したがって、職場ベースの評価における生理学的データは、任意で、リスクが低く、文脈に応じたものであるべきです。合理的な応用例としては、疲労リスクマッピング、スケジュール評価、シミュレーションの報告、学習者主導のフィードバックなどがあります。不合理な適用には、EEG、fNIRS、またはマルチモーダル閾値を、委任、昇進、修復、または懲戒の単独の証拠として使用することが含まれます。

確立された証拠と概念的拡張の比較

本レビューの中心的な区別は、確立された証拠と概念的拡張の区別です。確立された証拠として、睡眠不足、概日リズムの乱れ、長時間の覚醒、疲労が臨床作業に重要な神経認知領域を損なうと考えられています(23,24,25,26,27)。メタ解析および実験的研究は、注意、実行制御、気分調節、複雑な課題の遂行に対する影響をさらに支持しています(39,40,41,42)。医療および手技的研究は、疲労がエラーリスク、診断検索、危機管理、技術パフォーマンスに影響を与えることを示しています 28,29,30,48。しかし、手技レベルおよびアウトカムの研究では異質性も示されており、疲労と臨床的被害を一対一で解釈するだけでは否定されます(31,32,33)。勤務時間試験は、疲労意識政策が労働時間設計と睡眠機会、業務負荷、引き継ぎ、継続性、教育的影響を考慮すべきであることを示しています 34,35,36,37,38。医師およびワークロードパラダイムにおけるEEG研究は、疲労および認知負荷に対する神経感受性を支持しています(49,50,51)、一方でfNIRS、ウェアラブル、ハイブリッドEEG-fNIRS研究は補完的な血行動態およびマルチモーダルエビデンスを提供します(59,60,61,62,63,64,65,66)、67歳。

概念的拡張は、生理状態指標がCBMEにおける研修者のパフォーマンスの文脈化に役立つかもしれないという提案です。この拡張はもっともらしいが、検証されていない。睡眠不足が神経活動を変化させるという証拠は、リアルタイムモニタリングが実効的な監督や教育的意思決定を生み出せることを必ずしも意味しません。現時点では、個人、タスク、専門分野、運用環境において認知的不安定性や臨床準備度を確実に特定できる、神経動力学的または血行動態の一般化可能なリアルタイムパターンは示されていません。同じ生理的パターンは、疲労、認知的努力、不安、動機付け、課題の難易度、補償的関与、センサーのアーティファクト、環境ストレス、または個人の基準差を反映している場合があります。

したがって、CBME-BCI-疲労フレームワークは実装された評価システムではなく、研究モデルとして解釈されるべきです。この研究の目的は、状態依存型モジュレーター、生理学的および行動的モニタリング、そして観察されたパフォーマンスの能力に基づく解釈をどのように研究できるかを明確にすることです。シミュレーションやその他の低リスク研究環境では、EEGやfNIRSの特徴をタスクエラー、応答時間、負荷評価、睡眠履歴、精神運動警戒検査、監督者のフィードバックと併せて収集し、状態指標がパフォーマンスの変動を説明するかどうかを検証することができました。職場評価の文脈では、生理学的データはさらに慎重さを要求します。現在のエビデンスベースでは、これらのデータは疲労リスク研究、スケジュール設計、または自主学習者支援に最も適している可能性があります。これらは委任、昇進、是正、または懲戒決定の単独の根拠として使用すべきではありません。 表2は 、CBME-BCI-疲労フレームワーク内で確立された証拠、概念的拡張、検証要件、代表的な支持文献を分離してこれらの区別をまとめています。

妥当性、インクリメンタル価値、個々の基準、ガバナンスを構築する

構成概念の妥当性は、疲労認識型神経生理学的モニタリングにおける中心的な方法論的課題です。EEGやfNIRS信号は疲労や準備状態に特有のものではありません。また、課題の難易度、不安、動機付け、認知的努力、補償的関与、環境ストレス、センサーの人工物、または個人の基準値差を反映することもあります。したがって、今後の研究では測定対象の教育的構成要素をあらかじめ定義し、生理的状態とパフォーマンスの期待される関係を明確にし、単一の信号を能力の直接的なマーカーとして解釈するのではなく、行動的、文脈的、教育的データと生理的シグナルを三角分割する必要があります。

また、インクリメンタル価値の証明も必要です。EEG/fNIRSモニタリングは、睡眠記録、動作記録、精神運動警戒検査、簡単な認知スクリーニング、負荷評価、パフォーマンステレメトリー、専門家による観察など、より簡素で実現可能な比較対象と比較して評価されるべきです。神経生理学的アプローチは、説明、予測、フィードバックタイミング、学習者のサポートをこれらの指標を超えて向上させる場合にのみ正当化されます。そのような証拠がなければ、マルチモーダルモニタリングは教育的意思決定を改善することなく複雑さを増す可能性があります。

個別のベースラインモデリングは不可欠です。神経活動、睡眠脆弱性、クロノタイプ、ストレス反応、臨床経験、センサー適合度の個人間差異が普遍的な閾値の価値を制限します。研修医特有のベースラインは、異常な疲労関連の逸脱と正常な生理的変動を区別するのに役立ちますが、これには繰り返しの測定、信頼できるセンサー配置、標準化されたタスクアンカー、そして透明な解析モデルが必要です。機械学習はマルチモーダル信号の統合に役立ちますが、無効な構成要素、偏ったデータ、信号品質の悪さ、不明瞭な因果仮定を解決することはできません。ドメイン適応、プライバシー保護アルゴリズム、生成モデリングは一部のキャリブレーション負担を軽減するかもしれませんが、教育的意思決定を支援するためにはより広範な検証が必要です(86,87)。

技術的および生態学的な障壁は依然として大きなものとなっています。EEGは運動アーティファクト、電極インピーダンス、環境ノイズ、モンタージュ依存、前処理選択に弱いです。fNIRSは、光極の位置、頭皮の血流、動き、毛髪、深さの浸透制限、時間的解像度の低下に影響を受けます。認知活動モニタリング用のコンパクトワイヤレスfNIRSデバイスを含むウェアラブルシステムは改善されていますが、快適さや実現可能性は教育的な妥当性を証明していません。導入にはワークフロー対応の設定、解釈可能なレポート、データセキュリティ、エンドユーザーの承認も必要です。社会的受容研究は、ユーザーの信頼と目的意識が採用の中心であることを思い出させてくれます。

倫理的ガバナンスは、後付けではなく、枠組みの境界条件として扱われるべきです。神経生理学的データは、疲労、注意力、感情、健康状態に関する情報を明らかにしたり、示唆したりすることができます。神経技術の責任ある開発には、目的制限、データ最小化、安全な保存、透明性、アクセス制御、そして自律性と同意への注意が必要です89,90。ネットワーク化されたBCIシステムもサイバーセキュリティ上の懸念を引き起こし、特にデコードされた出力がフィードバック、研修機会、安全関連の意思決定に影響を与える場合に顕著です。教育においては、学習者が参加するという暗黙の圧力を感じることがあり、生理学的指標はモデルが集団や文脈で不均一なパフォーマンスを発揮すると、意図せずにバイアスを増幅させる可能性があります。今後の研究では、可能な限り自主参加を優先し、支援的フィードバックと高リスクな判断の明確な分離、異議申し立ての仕組み、そして利害関係者に動機づけられたガバナンスを重視すべきです。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結論

睡眠不足や意思決定疲労は、注意、実行制御、精神運動パフォーマンス、臨床的意思決定における状態依存的な変動に寄与することが確立されています。医療訓練においては、これらの変動が観察された能力の解釈を複雑にし、特に救急医療、集中治療、麻酔、外科などの需要の高い環境ではなおさらです。したがって、能力に基づく医療教育は、パフォーマンスデータを時間や文脈を超えて解釈する際に、生理学的および認知的状態により明確な注意を払うことで恩恵を受ける可能性があります。

EEGやfNIRSは、疲労に関連する神経生理学的および血行動態の変化を測定する有望な手法を提供しますが、医療教育におけるリアルタイムの準備度評価への応用はまだ概念的な段階です。既存の証拠は、これらの指標を単独の能力指標や指導者決定の検証要因としてではなく、研究ツールや文脈指標としての関連性を支持しています。主な制約には、個人の変動性、運用検証の制限、信号アーティファクト、実現可能性の制約、簡潔な認知・行動評価に対する不確実な増分価値、プライバシーや監視に関する倫理的懸念など...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者たちは利益相反を一切認めていない。

謝辞

著者らは、本レビュー作成期間中のご支援と議論に感謝申し上げます。この研究は浙江省教育局の総合科学研究プロジェクト(助成金第Y202557476号)の支援を受けました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

参考文献

  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.

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

さらに記事を探す

医学第233号第233号空の値号認知負荷疲労モニタリングブレインマシンインターフェース脳波測定EEG機能的近赤外分光法fNIRS
お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。