Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Обзорная статья

Недосыпание, усталость от принятия решений и клиническая эффективность в медицинском обучении: обзор повествования и взгляд на нейрофизиологический мониторинг

122 просмотров

⸱

DOI:

10.3791/71627

⸱

28 июля 2026 г.

 ,  ,  , 
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

В этой статье

Краткое содержание

Этот обзор и перспектива рассматривают, как недосып и усталость от принятия решений влияют на клиническую эффективность, а также оценивает мониторинг на основе ЭЭГ и fNIRS как концептуальные инструменты для интерпретации и обратной связи с учётом усталости в медицинском обучении.

Аннотация

Недостаток сна и усталость от принятия решений являются важными, но часто недооценёнными факторами, определяющими дневную клиническую работу. В медицинских учебных условиях эти факторы, зависящие от состояния, могут нарушать внимание, исполнительный контроль и принятие решений, усложняя интерпретацию наблюдаемой компетентности во время бодрствования. Этот обзор повествования и перспектива объединяют данные из науки о сну, нейрофизиологии, психологии и медицинского образования, чтобы изучить, как потеря сна и усталость от принятия решений влияют на клиническую работу, а также как неинвазивные методы мониторинга могут помочь контекстуализировать эту изменчивость. Внимание уделяется электроэнцефалографии (ЭЭГ) и функциональной ближнеинфракрасной спектроскопии (fNIRS) как кандидатам в исследовательские инструменты для характеристики изменений в когнитивной нагрузке и бдительности, связанных с усталостью. Рассмотренная литература подтверждает тесную связь между потерей сна, усталостью и нарушением нейрокогнитивных функций, однако использование нейрофизиологического мониторинга в реальном времени для практической оценки готовности в медицинском обучении остаётся концептуальным и требует эмпирической проверки. Мы предлагаем структуру CBME-BCI-Fatigue как модель перспективы, генерирующую гипотезы для интеграции информации о физиологическом состоянии с оценкой, основанной на компетенциях, при этом акцентируя внимание на ограничениях, связанных с достоверностью конструкции, инкрементальной ценностью, индивидуальной вариабельностью, осуществимостью и управлением. Эта структура может вдохновлять будущие исследования на основе симуляций и низкорисковых исследований по обратной связи с учётом усталости и поддержке учащихся в клинических тренировочных средах, уязвимых ко сну.

Введение

Медицинское образование во всём мире продолжает двигаться в сторону моделей, ориентированных на результаты, в частности к компетентно-ориентированному медицинскому образованию (CBME), которое делает акцент на демонстрируемых способностях, а не на прогрессе, зависящем от времени. Понятие профессиональной компетентности давно обсуждается в контексте наблюдаемых возможностей, клинического мышления, коммуникации, профессионализма и безопасного ухода запациентами 1,2. Проект по результатам Совета по аккредитации последипломного медицинского образования (ACGME), подходы, основанные на CanMEDS, и последующие теории CBME дополнительно поощряют преподавателей чётко определять результаты обучения и оценивать их вдолгосрочной перспективе 3,4. Недавние обсуждения акцентировали внимание на CBME на передовой ухода запациентами 5. Работа по внедрению в учреждениях бакалавриата, магистратуры и непрерывного профессионального развития также выявляет постоянные проблемы в области осуществимости, культуры оценки и развитияпреподавателей 6,7,8,9,10.

В рамках CBME решения о доверенных профессиональных мероприятиях (EPA) и о доверенных управлениях сместили оценку в сторону суждений, основанных на надзоре, 11, 12, 13, 14, 15. Кривые обучения и аналитика обучения дополнительно поддерживают долгосрочную интерпретацию прогрессаучащихся 16,17. Точное образование, образовательные паспорта, образовательные среды, ориентированные на мастерство и коучинг делают акцент на обратной связи, поддержке учащихся и адаптивномсупервизе 18,19,20,21. Эти подходы признают, что компетентность определяется на основе закономерностей результатов во времени и контексте, а не из одного теста. Однако сохраняется устойчивая слепая зона: наблюдаемая производительность не всегда отражает стабильную базовую компетентность. Она также формируется временными физиологическими и когнитивными состояниями, включая недостаток сна, смещение циркадных дистанций, нагрузку, эмоциональный стресс и усталость от принятиярешений 22.

Эта проблема особенно актуальна в клинических условиях, где стажёры работают ночью, управляют большим объёмом пациентов, проводят процедуры и принимают повторные решения в условиях неопределённости. Потеря сна и усталость связаны с нарушением бдительности, исполнительного контроля, психомоторной скорости, регуляции настроения и риска медицинскихошибок 23,24,25,26,27. Хирургические и процедурные результаты особенно уязвимы, поскольку они зависят от постоянного внимания, точности мелкой моторики и быстрого ситуативного суждения. Обзоры и симуляторные исследования связывают недосып с изменениями хирургической ловкости и эффективности кризисногоуправления 28,29,30. Исследования на уровне пациентов и процедур показывают более разнородные результаты, что подчёркивает необходимость осторожнойинтерпретации 31,32,33. Исследования дежурных часов, включая iCOMPARE и связанные с ними рандомизированные исследования, показывают, что сон, передача работ, нагрузка, безопасность пациентов и образовательные результаты взаимозависимы, а не сводятся к одной переменнойграфика 34,35,36,37,38.

Вариабельность производительности, зависящая от состояния, часто является временной, ситуативной и трудно зафиксируемой с помощью традиционных инструментов оценки на рабочем месте. Эпизод низкой производительности после ночной смены может отражать устойчивую потребность в обучении, временную усталость, чрезмерную нагрузку, недостаток надзора или сочетание этих факторов. Нейрофизиологический мониторинг был предложен как дополняющий подход к характеристике когнитивного состояния во время обучения и практики. Электроэнцефалография (ЭЭГ) может фиксировать быстрые нейронные осцилляционные и связанные с событиями реакции, тогда как функциональная ближняя инфракрасная спектроскопия (fNIRS) отслеживает изменения корковой гемодинамики, особенно в префронтальных областях, участвующих в исполнительном контроле. Эти методы могут предоставлять контекстуальные индикаторы рабочей нагрузки, бдительности и усталости. Однако их не следует интерпретировать как подтверждённые показатели компетентности или использовать как прямые триггеры для принятия надзорных или доверенных решений.

Этот обзор и перспектива обобщают доказательства, связывающие недосып и усталость от принятия решений с клинической эффективностью, резюмируют характеристики ЭЭГ и fNIRS, соответствующие усталости и когнитивной нагрузке, а также предлагают структуру CBME-BCI-Fatigue. Цель — не представить устоявшуюся систему оценки, а прояснить исследовательскую повестку для государственно-осознанной интерпретации результатов стажёров в медицинских учебных заведениях, уязвимых ко сну. Рисунок 1 представляет предлагаемую структуру, иллюструющую, как состояние зависящих модуляторов производительности, нейрофизиологического и мультимодального мониторинга, интерпретации на основе компетенций, интеграция данных с ИИ и адаптивная обратная связь могут быть связаны в будущих исследованиях медицинского обучения, учитывая усталость.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обзор и перспектива

Поисковый подход

Эта статья была разработана как повествованный обзор и перспектива, а не как систематический обзор, обзор масштабов или мета-анализ. Мы искали по PubMed, PsycINFO, Web of Science Core Collection и ERIC с момента запуска базы данных до 31 декабря 2025 года. Поисковые запросы объединяли концепции, связанные с недосыпанием, ограничением сна, усталостью, усталостью при принятии решений, клинической эффективностью, компетентно-ориентированным медицинским образованием (CBME), когнитивной нагрузкой, электроэнцефалографией (ЭЭГ), функциональной ближнеинфракрасной спектроскопией (fNIRS), интерфейсами мозг-компьютер (BCI) и медицинской подготовкой. Также было проведено целенаправленное обновление с учётом недавней литературы fNIRS, относящейся к мониторингу сна и усталости.

Источники выбирались и приоритизировались, когда они напрямую информировали одну из четырёх областей: изменения нейрокогнитивной и клинической эффективности, связанные со сном или усталостью; Маркеры, выведенные из ЭЭГ или fNIRS, определяющих усталость, нагрузку, бдительность или уязвимость, связанную со сном; концептуальная или прикладная работа, связанная с интеграцией информации о физиологическом состоянии в CBME; а также этические или реализующие вопросы, связанные с образовательным использованием. Не были выбраны источники для полного освещения всей литературы по сну, BCI или нейротехнологиям. Мы не отдавали приоритет исследованиям, которые в первую очередь были фундаментальной нейронаукой, инженерией устройств или терапевтической нейромодуляции, если только они напрямую не информировали интерпретацию работы стажёров с учётом усталости. Формальная оценка риска смещения или метааналитическое объединение не проводилось; Результаты были синтезированы описательно и критически для поддержки концептуальной, генерирующей гипотезы перспективы.

Вклад в роман и целевая аудитория

Новизна этого обзора заключается в объединении нескольких связанных, но часто отдельно обсуждаемых материалов — усталости ординаторов, недосыпа, усталости принятия решений, когнитивной нагрузки, нейрофизиологического мониторинга и оценки CBME — вокруг конкретной образовательной проблемы: как педагоги должны интерпретировать наблюдаемую клиническую работу, когда когнитивное состояние стажёра может временно изменяться из-за потери сна, усталости от принятия решений, Или нагрузки. Целевая аудитория — медицинские педагоги, клиницисты-преподаватели, директора программ и исследователи, интересующиеся интерпретацией работы стажёров с учётом усталости. Предлагаемая структура CBME-BCI-Fatigue предназначена для организации будущих исследовательских вопросов и уточнения требований к валидации, а не для валидации операционной системы мониторинга или поддержки текущих решений по оценке с высокими ставками.

Компетентность как динамическая производительность в CBME

Изначальная цель CBME заключалась не просто в создании новых форм оценки, но и в согласовании медицинского образования с потребностями пациентов и систем здравоохранения. CBME делает акцент на прогрессии на основе компетентности, индивидуализированных траекторий обучения и доказательств того, что учащиеся могут выполнять значимые клинические действия под соответствующимнадзором 5,6. Национальные и региональные рамки компетенций, включая базируемые в Китае рамки компетенций резидентуры и i-FIRST дискуссии по развитию талантов, обеспечивают структурированный язык для разработки учебных программ, развития учащихся и образовательнойответственности 7,8. В то же время в литературе по внедрению CBME отмечаются постоянные опасения по поводу осуществимости, развития преподавателей, нагрузки по оценке и риска сведения сложной профессиональной практики до контрольного поведения 9,10.

EPA и решения о поручении оказали особое влияние, поскольку связывают оценку с клиническим вопросом о том, сколько надзора требуется обучающемуся для определённой профессиональнойдеятельности 11,12,13,14. Внедрение EPA также подчёркивает, что доверение — это суждение о обучающемся, задаче, контексте и уровне надзора; Это не просто фиксированная черта, встроенная в15 учеников. Аналогично, кривые обучения и аналитика обучения помогают педагогам выявлять траектории со временем, а не чрезмерно интерпретировать отдельные данные16,17. Точное образование, образовательные паспорта, ориентированные на мастерство учебные среды и коучинг дополнительно укрепляют идею, что оценка должна поддерживать развитие, обратную связь и адаптивнуюподдержку 18,19,20,21.

Зависящая от состояния перспектива расширяет эту логику. Если обучающийся показывает плохие результаты после длительного бодрствования или когнитивно интенсивных изменений, вопрос оценки касается не только того, не обладает ли у него компетентность. Также важно, отражает ли наблюдаемое поведение уязвимость, связанную с усталостью, чрезмерную нагрузку, плохую супервизию, систему или несоответствие между требованиями к задаче и когнитивным состоянием. Стабильный разрыв в компетенциях может требовать осознанной практики и коучинга; Провал из-за усталости может потребовать планирования восстановления, перепроектирования рабочей нагрузки, корректировки супервизии или вмешательства на уровне графика. Оценка с учётом состояния, таким образом, не переопределяет компетентность. Напротив, это улучшает контекст, в котором интерпретируются данные о производительности, и снижает риск неправильной классификации временного нарушения как устойчивой неспособности.

Недосыпание, нарушения циркадных процессов и усталость от принятия решений

Недостаток сна и усталость — повсеместные, но недооценённые факторы, определяющие работу врачей. В клинической подготовке длительные смены, ночная работа, непредсказуемая нагрузка и частые передачи работы подвергают стажёров состояниям, которые могут снизить бдительность и принятие решений. Исследования сна и благополучия врачей связывали сон и выгорание с клинически значимыми медицинскимиошибками 23. Длительные сдвиги также связаны с увеличением сбоев внимания, медицинскими ошибками и неблагоприятнымиявлениями 24. Усталость и страдания ординаторов могут дополнительно влиять на самосообщаемые медицинские ошибки, что указывает на то, что риск производительности связан частично с поведением, частично когнитивным и частично на уровнесистемы 25.

Наблюдательные и экспериментальные исследования на медицинских стажёрах и врачах подтверждают эту озабоченность. Интерны и резиденты, работающие в длительные смены, показывают снижение возможностей для сна и изменённые паттерныбодрости 26. Сокращение рабочих часов интернов в отделениях интенсивной терапии было связано с уменьшением числа серьёзных медицинских ошибок в знаковомпробном 27-м этапе. Хирургические и процедурные исследования показывают, что недосып может ухудшать ловкость симуляторов и эффективность кризисногоуправления 28,29,30. Исследования на уровне пациентов и процедур остаются более разнородными и не должныупрощаться 31,32,33. Различия по специальности, уровню обучения, сложности случая, супервизии, структуре команды и типу результатов могут объяснить, почему снижение усталости более заметно для бдительности, имитации эффективности и процессных показателей, чем для последующих пациентов.

Испытания с рабочими часами показывают, почему образование с учётом усталости не может опираться только на длину смены. Исследование iCOMPARE показало, что политика гибкого графика дежурства не уступает стандартным политикам для выбранных образовательных результатов и результатов безопасностипациентов 34,35. Анализы компаньонов показали, что сон и бдительность не обязательно ухудшались при соблюдении гибких правил рабочегографика 36. В отличие от этого, рандомизированное исследование расписаний без 24-часовых смен показало, что отмена длительных смен не повышает безопасность пациентов37. Связанное исследование длительных рабочих смен выявило нейроповеденческие эффекты у ординаторов38. В совокупности эти результаты показывают, что возможность для сна, нагрузка, непрерывность, передача и супервизия взаимодействуют сложным образом.

Более широкая литература по науке о сну предоставляет механистический контекст. Нарушение сна ухудшает устойчивое внимание, рабочую память, торможение реакции, регуляцию эмоций и выполнение сложных задач 39,40,41,42. Нерегулярный или нестабильный режим сна также может влиять на учебные и когнитивные результаты, что говорит о том, что стабильность сна важна наряду с продолжительностьюсна 43,44. Хроническое ограничение сна с восстановлением в выходные может оставить остаточные последствия для производительности и самочувствия. В медицинском образовании эти результаты важны, поскольку оценки тренировок обычно проводятся в период бодрствования, но редко фиксируют состояние учащегося, в котором проявляется результативность.

Усталость от принятия решений добавляет связанный, но отдельный механизм. Это ухудшение качества принятия решений после повторяющихся или упорных решений, особенно когда решения требуют самоконтроля, управления неопределённостью или ценностныхкомпромиссов 46. Клинические решения часто включают сортировку, назначение лекарств, эскалацию ухода, документацию и передачу документов в условиях нехватки времени. Недавние исследования назначения препаратов показывают, что время на выполнении задачи и накопленные требования к принятию решений могут влиять наклинический выбор 47. Усталость от ночных смен также может влиять на поисковые схемы и диагностические показатели врадиологии 48. Однако усталость от принятия решений следует интерпретировать осторожно, поскольку литература методологически неоднородна, и эффекты могут различаться в зависимости от задач, среды и клиницистов.

Маркеры усталости и когнитивной нагрузки по ЭЭГ и fNIRS

ЭЭГ широко используется для изучения бдительности, давления сна, усталости и умственной нагрузки. В исследованиях врачей количественная ЭЭГ после ночного дежурства показала изменения тета, альфа и бета-активности, соответствующие умственнойусталости 49,50. Эти исследования важны, потому что приближают нейрофизиологическую оценку к реальной клинической работе, а не полагаются исключительно на лабораторные парадигмы лишения сна. Однако они остаются наблюдательными и не могут самостоятельно доказать, что ЭЭГ может определить, готов ли стажёр выполнить конкретную клиническую задачу.

Интерпретация ЭЭГ на уровне признаков шире, чем обычно цитируемые изменения тета или альфа/бета. Фронтальные исследования рабочей нагрузки на ЭЭГ поддерживают использование спектральных и региональных паттернов для оценкинагрузки 51. Исследования ЭЭГ из-за недосыпа изучали изменения спектральной активности после потерисна 52. Тета-полоса также имеет двойную интерпретацию: она может отражать давление во время сна, но также участвовать в когнитивном контроле, что усложняет простую классификациюусталости 53. Исследования мониторинга рабочей памяти в реальном времени и классификация состояния драйвера дополнительно показывают, как функции EEG могут быть встроены в конвейеры типа BCI, но эти конвейеры остаются чувствительными к проектированию задач, предварительной обработке и индивидуальнойвариативности 54,55. Исследования надёжности и нейроэргономическая валидация подчёркивают, что конфигурация электродов, выбор предварительной обработки, субъективные метрики и проектирование задач влияют на индексынагрузки 56,57. Более современные работы по многоуровневому прогнозированию когнитивной нагрузки показывают, что сочетание пространственных, временных и спектральных сигнатур может улучшитьклассификацию 58.

Функциональная ближнеинфракрасная спектроскопия fNIRS предоставляет дополнительную информацию, измеряя гемодинамические изменения, включая насыщенный кислородом гемоглобин, деоксигенированный гемоглобин и общий гемоглобин. Литература fNIRS по усталости и лишению сна подтверждает его значимость для измерения кортикальных коррелятов когнитивных усилий, снижения бодрости и социально-когнитивныхизменений 59. Обзоры fNIRS, ориентированные на сон, дополнительно показывают, как оптические гемодинамические сигналы могут вносить вклад в исследования сна и выявлениеусталости 60. Недавнее исследование 2026 года по биомаркерам fNIRS сердечной зоны для небыстрой дифференцировки сна с помощью ЭЭГ иллюстрирует растущий интерес к характеристикам частотной и кардиальной зоны, выходящих за рамки простой амплитудыHbO 61. В совокупности эта литература поддерживает обсуждение на уровне признаков, включающее HbO, HbR, HbT, ответы во временной области, связность и биомаркеры частотной области.

Исследования префронтального fNIRS особенно актуальны, поскольку исполнительный контроль, ингибирование реакции и регуляция нагрузки сильно зависят от фронтальных систем. Недостаток сна связан с изменением функциональной связности, связанной с задачей, влобной коре 62. Связанные исследования обнаружили потерю фронтальной функциональной связности посленедосыпа 63. Исследования среди молодых взрослых с коротким сном также показывают, что префронтальные гемодинамические реакции могут варьироваться в зависимости от поведения во сне и физическойактивности 64. Носимый fNIRS используется для автоматического обнаружения когнитивной усталости с помощью машинногообучения 65. Гибридные системы EEG-fNIRS могут улучшить классификацию рабочей нагрузки, интегрируя функциональную связность мозга и комплементарные свойствасигнала 66,67. В совокупности эти исследования поддерживают использование ЭЭГ и fNIRS как исследовательских инструментов и как кандидатных контекстуальных индикаторов, но пока не подтвержденные показатели готовности в медицинском обучении.

Таблица 1 , таким образом, предназначена как карта на уровне признаков, а не как иерархия проверенных биомаркеров. Она отличает ЭЭГ-спектральные, события-связанные, временные и связные особенности от амплитудных, временных, связных, частотных или кардиологических диапазонов fNIRS. Это различие важно, поскольку каждое семейство признаков охватывает разные аспекты конструкции нагрузки усталости и несёт разные риски артефактов и интерпретации. Например, более высокое соотношение тета/альфа, снижение амплитуды P300 или более низкий префронтальный HbO могут быть совместимы с усталостью, но также могут отражать сложность задачи, компенсаторное усилие, напряжение, конфигурацию сенсора или индивидуальные базовые различия. Таблица предназначена для поддержки проектирования исследований, выравнивания и осторожной интерпретации, а не для определения операционных порогов для компетентности, доверения или клинической готовности.

BCI, мультимодальное слияние и образовательные приложения

Неинвазивные БКИ и носимые нейрофизиологические технологии быстро распространились в медицинской, инженерной и образовательной сферах. Обзоры носимых устройств BCI на базе ЭЭГ подчеркивают прогресс в области портативности имедицинских приложений 68. Более широкие современные обзоры подчёркивают, что неинвазивные системы BCI совершенствуются, но всё ещё сталкиваются с ограничениями в качестве сигнала, удобстве использования, калибровке и надёжности 69,70,71,72. Эти ограничения имеют значение для медицинского образования, поскольку образовательный инструмент должен быть не только точным в контролируемых условиях, но и осуществимым, приемлемым, интерпретируемым и согласованным с образовательными конструкциями.

Наиболее обоснованными образовательными приложениями являются симуляция, исследования и обратная связь с низкими ставками. Лапароскопическое обучение VR позволяет синхронизировать данные о производительности с сигналами, связанными с нагрузкой, чтобы изучать, как когнитивные потребности связаны с процедурнымобучением 73. Имитированные нейрохирургические задачи использовали ИИ и ЭЭГ для определения уровней экспертизы, что предлагает путь изучения приобретения навыков вместо замены сужденияпреподавателей 74. Среды серьёзной игры и смешанной реальности использовали биосенсорную аналитику для оценки аффективногововлечения 75. Пассивные системы BCI, адаптирующие скорость обучения к когнитивной нагрузке, иллюстрируют то, как обратная связь, чувствительная к состоянию, может работать в образовательных контекстах с низкимриском 76. Работы по амбулаторному обнаружению сна показывают, как мультимодальные временные ряды могут поддерживать продольный мониторинг внелаборатории 77. Эти примеры лучше всего интерпретировать как подтверждающие доказательства или доказательства концепции, а не как подтверждение решений по доверению или исправлению рисков.

Исследования стадирования сна с помощью ИИ показывают, как методы машинного обучения могут классифицировать физиологические временные ряды, связанные сосном, 78, 79, 80. Таргетная реактивация памяти, носимая нейромодуляция, вмешательства при усталости и беспроводные системы fNIRS дополнительно иллюстрируют то, как физиологические сигналы можно отслеживать или использовать в адаптивных архитектурах обратнойсвязи 81,82,83,84,85. Эти исследования технически информативны, но их прямая образовательная значимость ограничена, если они не связаны с дневной работой, временем обратной связи, решениями по супервизии или поддержкой учащихся в контексте обучения. Поэтому их следует интерпретировать как методологические мосты, а не как доказательство того, что оценка с учётом усталости в рамках CBME готова к рутинному использованию.

Перевод на рабочем месте требует большей осторожности, чем симуляция. Аутентичная клиническая среда вводит в себя артефакты движения, прерывания, эмоциональный стресс, требования к командной работе, остроту пациента, вариативные цели задач и скрытые динамики власти между стажёрами и руководителями. Физиологические данные при оценке на рабочем месте должны быть добровольными, маловажными и контекстуальными. Разумные применения включают агрегированное картирование риска усталости, оценку расписания, симуляционный дебрифинг или обратную связь, контролируемую учеником. Необоснованные применения включают использование ЭЭГ, fNIRS или мультимодальных порогов в качестве самостоятельных доказательств для доверения, продвижения, исправления или дисциплинарного наказания.

Установленные доказательства против концептуальных расширений

Центральное различие в этом обзоре — между установленными доказательствами и концептуальными расширениями. Доказанные данные показывают, что недосыпание, нарушения циркадных процессов, длительное бодрствование и усталость нарушают нейрокогнитивные домены, важные дляклинической работы 23,24,25,26,27. Метааналитические и экспериментальные исследования дополнительно подтверждают влияние на внимание, исполнительный контроль, регуляцию настроения и выполнение сложных задач 39,40,41,42. Медицинские и процедурные исследования показывают, что усталость может влиять на риск ошибок, диагностический поиск, управление кризисами и техническуюэффективность 28,29,30,48. Однако исследования на уровне процедур и результатов также показывают гетерогенность, что противоречит простой индивидуальной интерпретации усталости и клиническоговреда 31,32,33. Испытания по рабочим часам показывают, что политика, учитывающая усталость, должна учитывать проектирование рабочих часов вместе с возможностью сна, нагрузкой, передачей работ, непрерывностью иобразовательными последствиями 34,35,36,37,38. Исследования ЭЭГ у врачей и парадигмы рабочей нагрузки подтверждают нейронную чувствительность к усталости и когнитивнойнагрузке 49,50,51, в то время как исследования fNIRS, носимых устройств и гибридных ЭЭГ-фНИРС предоставляют комплементарные гемодинамические и мультимодальные доказательства 59,60,61,62,63,64,65,66, 67.

Концептуальное расширение заключается в том, что показатели физиологического состояния могут помочь контекстуализировать работу стажёра в рамках CBME. Это расширение правдоподобно, но не подтверждено. Доказательства того, что потеря сна влияет на нейронную активность, не означают автоматически, что мониторинг в реальном времени может генерировать практические надзорные или образовательные решения. В настоящее время не было показано ни одного обобщаемого в реальном времени нейронной или гемодинамической активности, способного надёжно выявлять когнитивную нестабильность или клиническую готовность между людьми, задачами, специальностями и операционными условиями. Тот же физиологический паттерн может отражать усталость, когнитивные усилия, тревожность, мотивацию, сложность выполнения задачи, компенсаторное вовлечение, сенсорный артефакт, стресс окружающей среды или индивидуальные базовые различия.

Соответственно, рамочную систему CBME-BCI-Fatigue следует интерпретировать как исследовательскую модель, а не как реализуемую систему оценки. Её цель — прояснить, как состояние-зависимые модуляторы, физиологический и поведенческий мониторинг, а также компетентно-ориентированная интерпретация наблюдаемой производительности могут изучаться вместе. В симуляционных или других исследовательских условиях с низкими ставками функции ЭЭГ или fNIRS могли собираться вместе с ошибками задач, временем отклика, оценками рабочей нагрузки, историей сна, тестированием психомоторной бдительности и обратной связью руководителя, чтобы проверить, помогают ли показатели состояния объяснить вариабельность производительности. В контексте оценки на рабочем месте физиологические данные требуют ещё большей осторожности. В текущей базе доказательств такие данные могут быть наиболее подходящими для агрегированных исследований риска усталости, разработки расписания или добровольной поддержки учащихся. Их не следует использовать как самостоятельную основу для доверения, продвижения, исправления или дисциплинарных решений. Таблица 2 резюмирует эти различия, разделяя установленные доказательства, концептуальные расширения, требования к валидации и репрезентативные поддерживающие ссылки в рамках CBME-BCI-Fatigue.

Постройте валидность, инкрементальную ценность, индивидуальные базовые показатели и управление

Валидность конструктов является центральной методологической задачей нейрофизиологического мониторинга, учитывающего усталость. Сигналы ЭЭГ и fNIRS не специфичны для усталости или готовности; Они также могут отражать сложность выполнения задач, тревожность, мотивацию, когнитивные усилия, компенсаторную вовлечённость, стресс окружающей среды, сенсорные артефакты или индивидуальные базовые различия. Поэтому будущие исследования должны заранее определить измеряемый образовательный конструкт, определить ожидаемую связь между физиологическим состоянием и производительностью, а также триангулировать физиологические сигналы с помощью поведенческих, контекстуальных и образовательных данных, а не интерпретировать один сигнал как прямой маркер компетентности.

Также необходимо продемонстрировать постепенную ценность. Мониторинг ЭЭГ/фНИРС следует оценивать по более простым и реалистичным компараторам, включая журналы сна, актиграфию, тестирование на психомоторную бдительность, кратковременный когнитивный скрининг, оценку нагрузки, телеметрию производительности и экспертное наблюдение. Нейрофизиологический подход будет оправдан только в том случае, если он улучшает объяснение, прогнозирование, обратную связь или поддержку учащихся за пределами этих показателей. Без таких доказательств мультимодальный мониторинг может усложнить без улучшения образовательного принятия решений.

Индивидуальное базовое моделирование крайне важно. Межиндивидуальные вариации нейронной активности, уязвимости ко сну, хронотипа, стрессовой реакции, клинического опыта и соответствия сенсоров ограничивают значение универсальных порогов. Специфическая базовая линия для стажёра может помочь отличить необычные отклонения, связанные с усталостью, от нормальных физиологических вариаций, но для этого требуются повторные измерения, надёжное размещение датчиков, стандартизированные якоря задач и прозрачные аналитические модели. Машинное обучение может помочь интегрировать мультимодальные сигналы, но не может решать некорректные конструкции, предвзятые данные, плохое качество сигнала или неясные причинные предположения. Адаптация доменов, алгоритмы, сохраняющие конфиденциальность, и генеративное моделирование могут снизить часть нагрузки на калибровку, но требуют более широкой валидации перед использованием для поддержки образовательныхрешений 86,87.

Технические и экологические барьеры остаются значительными. ЭЭГ уязвим к артефактам движения, сопротивлению электродов, шуму окружающей среды, зависимости от монтажа и выбору предварительных процессов. fNIRS зависит от расположения оптода, кровотока кожи головы, движения, волос, ограниченной глубины проникновения и низкого временного разрешения. Носимые системы улучшаются, включая компактные беспроводные fNIRS-устройства для мониторинга когнитивнойактивности 85, но комфорт и осуществимость не подтверждают образовательную валидность. Развертывание также требует согласованной с рабочими процессами настройки, интерпретируемой отчетности, безопасности данных и принятия конечными пользователями. Исследования социального принятия напоминают нам, что доверие пользователей и предполагаемая цель являются центральными для принятия88.

Этическое управление следует рассматривать как граничное условие рамки, а не как второстепенное решение. Нейрофизиологические данные могут раскрывать или подразумевать информацию об усталости, внимании, эмоциях или состоянии здоровья. Ответственное развитие нейротехнологий требует ограничения целей, минимизации данных, безопасного хранения, прозрачности, контроля доступа и внимательного внимания к автономии исогласию 89,90. Сетевые системы BCI также вызывают опасения в области кибербезопасности, особенно если декодированные результаты влияют на обратную связь, возможности обучения или решения, связанные сбезопасностью 91. В образовании учащиеся могут испытывать неявное давление участвовать, а физиологические показатели могут непреднамеренно усиливать предвзятость, если модели работают неравномерно в разных популяциях или контекстах. Будущие исследования должны уделять приоритет добровольному участию, где это возможно, чёткого разделения между поддерживающей обратной связью и высокими решениями, механизмам апелляции и управлением, ориентированным на заинтересованных сторон.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Выводы

Недосып и усталость от принятия решений являются признанными факторами изменчивости внимания, исполнительного контроля, психомоторной эффективности и клинического принятия решений. В медицинском обучении эти колебания могут усложнять интерпретацию наблюдаемой компетентности, особенно в востребованных средах, таких как неотложная медицина, интенсивная терапия, анестезия и хирургия. Таким образом, медицинское образование, основанное на компетенциях, может выиграть от более явного внимания ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы не заявляют о конфликте интересов.

Благодарности

Авторы с благодарностью выражают признательность коллегам из Департамента интенсивной терапии и Департамента образования нашего учреждения за их поддержку и обсуждения при подготовке этого обзора. Эта работа была поддержана Общим научно-исследовательским проектом Департамента образования провинции Чжэцзян (грант No Y202557476).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Ссылки

  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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

МедицинаВыпуск 233Выпуск 233Пустое значениеВыпускКогнитивная нагрузкаМониторинг утомляемостиИнтерфейс мозг-компьютерэлектроэнцефалографияЭЭГФункциональная ближняя инфракрасная спектроскопияфБИКС
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.