Mesure complète et continue de l'état des combattants avant et après le déploiement avec une application mobile

Les combattants des forces d'opérations spéciales (SOF) subissent d'énormes tensions physiques et mentales et une dégradation après leur retour de déploiement et pendant l'entraînement avant le déploiement. Cette dégradation a été vaguement liée à des comportements appelés événements « ligne rouge », tels que l'abus d'alcool, le suicide et le divorce, mais il y a un manque d'évaluation complète reliant directement le comportement « ligne rouge » à la dégradation physique et mentale. Pour résoudre ce problème, un programme appelé Comprehensive Operator Readiness Assessment (cORA) a été mis en œuvre pour les combattants du 3rd SFG(A) Green Beret à Fort Bragg en tant qu'évaluation physique et mentale holistique d'une journée pour aider à identifier et à atténuer les facteurs de dégradation des performances. Cependant, en raison de la nature en personne de l'évaluation cORA, l'évolutivité du programme est limitée. De plus, le programme actuel ne capture qu'un instantané de l'état physique et mental car toutes les données sont collectées en une journée. Dans cette étude, nous visons à réaliser une étude de recherche dans laquelle nous adaptons le programme cORA en le transformant en une application mobile de recherche confidentielle et cybersécurisée, appelée Digital cORA, qui numérisera les mesures existantes du programme, ainsi que collectera mesures continues de l'état physique et neurocognitif des combattants (par ex. mémoire spatiale, mémoire de travail), facteurs psychologiques et liés au mode de vie sur une période de six mois. En conjonction avec les données collectées via l'application mobile, des capteurs portables seront utilisés pour collecter des données physiologiques (par ex. fréquence cardiaque) et d'autres données (par ex. activité, sommeil), de manière continue pendant leur participation à l'étude d'environ six mois. En plus de collecter des données, et similaire au programme en personne, l'application aura la capacité de fournir des fonctionnalités utiles, telles que des informations et des activités autour de la nutrition, de la méditation et des fonctionnalités de pleine conscience pour mieux soutenir les combattants, atténuer la dégradation et optimiser les performances. L'objectif global de la proposition est d'étudier si une version numérique du programme cORA en personne peut être créée pour réduire les événements comportementaux « ligne rouge » (par ex. blessure, suicide, divorce, conduite sous influence (DUI), etc.) en particulier, ou la dégradation globale des combattants plus généralement, peuvent être prédites à partir de mesures quotidiennes continues du comportement physique et mental. Nous allons recruter les éléments suivants : 1) 250 combattants du 3e groupe de forces spéciales (SFG(A)) (Fort Bragg, Caroline du Nord) et 2) 250 combattants du 1er bataillon de reconnaissance (Camp Pendleton, CA). Ce sont tous deux des groupes de combat militaire d'élite. Le 3e SFG (A) sera enrôlé dans les 3 mois suivant son retour de déploiement (par exemple, le cycle rouge), tandis que les marines de reconnaissance seront enrôlés jusqu'à 6 mois avant le déploiement pendant l'entraînement au combat (par exemple, phases de formation individuelles et unitaires (ITP/UTP)). La recherche permettra la collecte d'un ensemble de données complet de facteurs physiques et mentaux continus qui peuvent être liés à des résultats comportementaux, en particulier des événements « ligne rouge ». Nous analyserons les données avec des statistiques descriptives traditionnelles pour comprendre la structure des données. Nous analyserons ensuite la relation entre les différents types de données et les événements de ligne rouge autodéclarés ou le bien-être/dégradation comportemental général en utilisant des corrélations et des analyses de régression multiple, le cas échéant. Nous utiliserons les données à multiples facettes et continues de l'étude comme ensemble de données de formation pour développer un nouvel algorithme d'apprentissage automatique. Par conséquent, nous allons extraire de nouvelles caractéristiques comportementales des données créées activement et passivement à partir de l'application.