Los datos de movimiento del smartphone pueden predecir con fiabilidad recaídas y deseos de fumar para habilitar apoyo oportuno para dejar de fumar

Cómo tu teléfono puede ayudarte a dejar de fumar

Mucha gente lleva hoy en el bolsillo un potente conjunto de sensores sin pensarlo dos veces: su smartphone. Este estudio plantea una pregunta simple con mucho en juego a nivel personal: ¿pueden los pequeños movimientos que tu teléfono ya registra en silencio indicar cuándo estás a punto de experimentar un fuerte deseo de fumar o de volver a viejos hábitos, de modo que la ayuda pueda llegarte a tiempo?

De los desencadenantes de fumar a las señales silenciosas

Durante años, los investigadores que intentan ayudar a los fumadores a dejarlo han centrado su atención en desencadenantes evidentes, como el lugar donde se encuentra alguien, con quién está o la hora del día. Estas pistas son útiles pero imperfectas, y a menudo dependen de que las personas informen sus propios deseos y recaídas, lo que puede ser inexacto o incompleto. Los smartphones y wearables han cambiado las reglas al recopilar pasivamente información detallada sobre cómo nos movemos, pero este rico flujo de datos de movimiento rara vez se ha utilizado para comprender el comportamiento de fumar fuera del laboratorio.

Una aplicación sencilla y meses de datos en la vida real

El equipo de investigación pidió a 17 fumadores diarios en el Reino Unido que instalaran una app básica en sus propios teléfonos. Durante dos semanas, los participantes pulsaban un único botón en la app cada vez que fumaban. Luego intentaron dejarlo, y durante tres meses registraron cualquier recaída y valoraron sus deseos cuando eran intensos, o al menos una vez al día. A lo largo de ambas fases, la app registró en silencio el movimiento de tres sensores integrados: acelerómetro, giroscopio y magnetómetro, además del nivel de luz y la hora del día. El teléfono podía llevarse como cada persona quisiera y no estaba sujeto a ninguna parte del cuerpo en particular, de modo que los datos reflejaban la vida cotidiana natural en lugar de condiciones de laboratorio.

Enseñar a un modelo a reconocer momentos de riesgo

Para ver si estos sutiles patrones de movimiento podían presagiar eventos relacionados con fumar, los científicos dividieron las grabaciones de los sensores en fragmentos no solapados de cinco minutos y etiquetaron cada fragmento como fumar, deseo o ninguno según los informes de la app. Después compararon varios modelos modernos de inteligencia artificial diseñados para detectar patrones en series temporales. El mejor rendimiento combinó dos técnicas de aprendizaje profundo en un pipeline apilado. Alimentado solo con los datos de movimiento de los tres sensores, este modelo predijo correctamente si ocurriría un evento de fumar en los siguientes cinco minutos en alrededor del 85 por ciento de las ocasiones durante el periodo previo al intento de dejarlo. También alcanzó aproximadamente entre el 77 y el 78 por ciento de exactitud en señalar momentos de alto deseo y recaídas durante los tres meses siguientes.

Patrones que funcionan entre diferentes personas

Una pregunta importante fue si estos patrones de movimiento eran únicos para cada persona o compartidos entre fumadores. Para probarlo, el equipo entrenó el modelo con los datos previos a dejarlo de todos menos uno de los participantes, y luego le pidió que predijera las recaídas y los deseos de esa persona restante durante el periodo de abandono. Rotando por el grupo de esta manera, el modelo siguió rindiendo bien: de media podía distinguir ventanas de cinco minutos de alto riesgo frente a bajo riesgo con una puntuación que indica una buena separación entre ambas. Fue especialmente eficaz para predecir los deseos, lo que sugiere que cambios sutiles en cómo se mueven las personas antes incluso de tocar un cigarrillo pueden ser una señal de advertencia fiable.

Por qué los movimientos diminutos pueden importar más que el tiempo y el lugar

Quizá sorprendentemente, los sensores de movimiento superaron a predictores más tradicionales como la hora del día o el nivel de luz, que a menudo se han considerado pistas clave en la investigación sobre fumar. La hora del día por sí sola fue el predictor más débil. El magnetómetro, que puede verse influido por factores ambientales, aportó información útil, pero solo mejoró ligeramente el rendimiento cuando se añadió al acelerómetro y al giroscopio. Como los teléfonos se usaron libremente, sin una posición fija de transporte, es improbable que el modelo haya aprendido simplemente lugares o posturas particulares. En cambio, parece captar patrones amplios y repetibles del movimiento cotidiano que suelen preceder a los deseos y las recaídas, incluso cuando las propias personas no son conscientes de ellos.

Qué podría significar esto para quienes intentan dejarlo

Para alguien que intenta dejar de fumar, los momentos más peligrosos suelen ser breves, cuando los impulsos suben y es fácil alcanzar un cigarrillo antes de que llegue el apoyo. Este estudio muestra que los datos de movimiento ya recogidos por los smartphones ordinarios pueden convertirse en una especie de sistema de alerta temprana que detecta estos momentos con unos minutos de antelación, sin necesitar GPS ni un historial personal detallado. En el futuro, tales modelos podrían impulsar apps para dejar de fumar que vigilen discretamente patrones de riesgo en tus movimientos y ofrezcan ánimo, herramientas o contactos bien sincronizados cuando más los necesites, y la misma idea podría ayudar eventualmente con otros hábitos relacionados con la salud.

Cita: Abo-Tabik, M., Costen, N. & Benn, Y. Smartphone movement data can reliably predict smoking lapses and cravings to enable timely smoking cessation support. Sci Rep 16, 15719 (2026). https://doi.org/10.1038/s41598-026-49611-y

Palabras clave: abandono del tabaco, sensores de smartphone, predicción de deseos, aprendizaje profundo, salud digital