Les données de mouvement des smartphones peuvent prédire de façon fiable les rechutes et les envies de fumer pour permettre un soutien à l’arrêt du tabac en temps utile

Comment votre téléphone peut vous aider à arrêter de fumer

Beaucoup de personnes portent désormais dans leur poche un ensemble puissant de capteurs sans y penser : leur smartphone. Cette étude pose une question simple mais aux enjeux personnels importants : les micro-mouvements que votre téléphone enregistre déjà peuvent-ils discrètement indiquer quand vous allez ressentir une forte envie de fumer ou retomber dans vos anciennes habitudes, de sorte que de l’aide puisse vous parvenir à temps ?

Des déclencheurs du tabac aux signaux silencieux

Pendant des années, les chercheurs cherchant à aider les fumeurs à arrêter se sont concentrés sur des déclencheurs évidents comme le lieu, les personnes présentes ou le moment de la journée. Ces indices sont utiles mais imparfaits, et ils reposent souvent sur l’auto‑déclaration des envies et des rechutes, qui peut être inexacte ou incomplète. Les smartphones et les objets connectés ont changé la donne en collectant passivement des informations détaillées sur nos mouvements, mais ce flux riche de données de mouvement a rarement été exploité pour comprendre le comportement tabagique en dehors du laboratoire.

Une application simple et des mois de données en conditions réelles

L’équipe de recherche a demandé à 17 fumeurs quotidiens au Royaume‑Uni d’installer une application basique sur leur propre téléphone. Pendant deux semaines, les participants ont appuyé sur un seul bouton de l’application chaque fois qu’ils fumaient. Puis ils ont tenté d’arrêter et, pendant trois mois, ils ont consigné toute rechute et évalué leurs envies lorsqu’elles étaient fortes, ou au moins une fois par jour. Tout au long des deux phases, l’application a enregistré silencieusement les mouvements de trois capteurs intégrés : l’accéléromètre, le gyroscope et le magnétomètre, ainsi que le niveau de lumière et l’heure de la journée. Le téléphone pouvait être porté comme chacun le souhaitait et n’était fixé à aucune partie du corps, rendant les données représentatives de la vie quotidienne plutôt que de conditions de laboratoire.

Apprendre à un modèle à reconnaître les moments à risque

Pour vérifier si ces motifs de mouvement subtils pouvaient présager des événements liés au tabagisme, les scientifiques ont découpé les enregistrements des capteurs en segments de cinq minutes non chevauchants et ont étiqueté chaque segment comme « fumage », « envie » ou « aucun des deux » d’après les rapports de l’application. Ils ont ensuite comparé plusieurs modèles d’intelligence artificielle modernes conçus pour repérer des motifs dans des séries temporelles. Le meilleur modèle combinait deux techniques d’apprentissage profond empilées. Alimenté uniquement par les données de mouvement des trois capteurs, ce modèle prédisait correctement qu’un événement de fumage surviendrait dans les cinq minutes suivantes environ 85 % du temps pendant la période pré‑arrêt. Il atteignait aussi environ 77 à 78 % de précision pour repérer les moments de forte envie et les rechutes au cours des trois mois suivants.

Des motifs valables chez différentes personnes

Une question importante était de savoir si ces motifs de mouvement étaient propres à chaque personne ou partagés entre fumeurs. Pour tester cela, l’équipe a entraîné le modèle sur les données pré‑arrêt de tous les participants sauf un, puis lui a demandé de prédire les rechutes et envies de la personne restante pendant la période d’arrêt. En faisant tourner ainsi le groupe, le modèle a conservé de bonnes performances : en moyenne il distinguait les fenêtres de cinq minutes à haut risque de celles à faible risque avec un score indiquant une bonne séparation entre les deux. Il était particulièrement performant pour prédire les envies, ce qui suggère que des changements subtils dans la façon dont les gens bougent avant même de toucher une cigarette peuvent être un signe d’alerte fiable.

Pourquoi de petits mouvements comptent plus que le temps ou le lieu

De manière peut‑être surprenante, les capteurs de mouvement ont surpassé des prédicteurs plus traditionnels comme l’heure de la journée ou le niveau de lumière, souvent considérés comme des indices clés en recherche sur le tabagisme. L’heure de la journée seule était le prédicteur le plus faible. Le magnétomètre, qui peut être influencé par l’environnement, a apporté des informations utiles mais n’a que légèrement amélioré la performance lorsqu’il a été ajouté à l’accéléromètre et au gyroscope. Comme les téléphones étaient utilisés librement, sans position de port fixe, il est peu probable que le modèle ait simplement appris des lieux ou des postures particuliers. Il semble plutôt capturer des motifs larges et répétables des mouvements quotidiens qui précèdent les envies et les rechutes, même lorsque les personnes elles‑mêmes n’en ont pas conscience.

Ce que cela pourrait signifier pour les personnes qui essaient d’arrêter

Pour quelqu’un qui tente d’arrêter de fumer, les moments les plus dangereux sont souvent brefs, lorsque les envies montent en flèche et qu’il est facile d’attraper une cigarette avant qu’un soutien n’arrive. Cette étude montre que les données de mouvement déjà collectées par des smartphones ordinaires peuvent être transformées en une sorte de système d’alerte précoce qui détecte ces moments quelques minutes à l’avance, sans nécessiter de géolocalisation GPS ni d’historique personnel détaillé. À l’avenir, de tels modèles pourraient alimenter des applications d’aide à l’arrêt qui surveillent discrètement les motifs à risque dans vos mouvements et interviennent avec des encouragements, des outils ou des contacts bien placés quand vous en avez le plus besoin, et la même idée pourrait finalement aider à d’autres habitudes liées à la santé également.

Citation: 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

Mots-clés: arrêt du tabac, capteurs de smartphone, prédiction des envies, apprentissage profond, santé numérique