I dati di movimento dello smartphone possono prevedere in modo affidabile ricadute e voglie di fumare per abilitare un supporto tempestivo alla cessazione

Come il tuo telefono può aiutarti a smettere di fumare

Molte persone portano ora in tasca un potente insieme di sensori senza pensarci più di tanto: il loro smartphone. Questo studio pone una domanda semplice ma con grandi implicazioni personali: i piccoli movimenti che il tuo telefono registra possono segnalare silenziosamente quando stai per provare un forte desiderio di fumare o ricadere nelle vecchie abitudini, così che l’aiuto possa raggiungerti in tempo?

Dai fattori scatenanti del fumo ai segnali silenziosi

Per anni, i ricercatori che cercavano di aiutare i fumatori a smettere si sono concentrati su trigger evidenti come il luogo in cui si trova una persona, con chi è o l’ora del giorno. Questi segnali sono utili ma imperfetti e spesso dipendono dal fatto che le persone riportino le proprie voglie e ricadute, informazioni che possono essere inaccurate o incomplete. Smartphone e dispositivi indossabili hanno cambiato le regole del gioco raccogliendo passivamente informazioni dettagliate su come ci muoviamo, ma questo ricco flusso di dati di movimento è stato raramente usato per comprendere il comportamento del fumo al di fuori del laboratorio.

Una semplice app e mesi di dati nella vita reale

Il team di ricerca ha chiesto a 17 fumatori quotidiani nel Regno Unito di installare una semplice app sui propri telefoni. Per due settimane, i partecipanti hanno premuto un unico pulsante nell’app ogni volta che fumavano. Poi hanno tentato di smettere e per tre mesi hanno registrato eventuali ricadute e valutato le loro voglie quando erano forti, o almeno una volta al giorno. In entrambe le fasi l’app ha registrato silenziosamente il movimento proveniente da tre sensori integrati: accelerometro, giroscopio e magnetometro, oltre al livello di luce e all’ora del giorno. Il telefono poteva essere portato come preferivano e non era fissato a nessuna parte del corpo, rendendo i dati rappresentativi della vita quotidiana piuttosto che di condizioni di laboratorio.

Insegnare a un modello a riconoscere i momenti a rischio

Per verificare se questi sottili schemi di movimento potessero prevedere eventi legati al fumo, gli scienziati hanno suddiviso le registrazioni dei sensori in frammenti non sovrapposti di cinque minuti e hanno etichettato ciascun frammento come fumo, voglia o nessuno dei due in base ai report dell’app. Hanno poi confrontato diversi modelli moderni di intelligenza artificiale progettati per individuare pattern in serie temporali. Il miglior modello ha combinato due tecniche di deep learning in una pipeline a strati. Alimentato solo con i dati di movimento dei tre sensori, questo modello ha previsto correttamente se un evento di fumo si sarebbe verificato nei successivi cinque minuti circa l’85% delle volte nel periodo pre-astinenza. Ha inoltre raggiunto circa il 77-78% di accuratezza nell’individuare momenti di forte voglia e ricadute durante i successivi tre mesi.

Pattern che funzionano tra persone diverse

Una domanda importante era se questi schemi di movimento fossero unici per ciascuna persona o condivisi tra i fumatori. Per testarlo, il team ha addestrato il modello sui dati pre-astinenza di tutti i partecipanti tranne uno, poi gli ha chiesto di prevedere le ricadute e le voglie di quella persona residua durante il periodo di astinenza. Ruotando tra i partecipanti in questo modo, il modello ha comunque funzionato bene: in media riusciva a distinguere finestre di cinque minuti ad alto rischio da quelle a basso rischio con un punteggio che indica una buona separazione tra le due. Era particolarmente efficace nel prevedere le voglie, suggerendo che cambiamenti sottili nel modo in cui le persone si muovono, prima ancora di toccare una sigaretta, possono essere un segnale d’allarme affidabile.

Perché i movimenti minimi possono contare più di tempo e luogo

Forse sorprendentemente, i sensori di movimento hanno superato predittori più tradizionali come l’ora del giorno o il livello di luce, spesso considerati indizi chiave nella ricerca sul fumo. L’ora del giorno da sola è risultata il predittore più debole. Il magnetometro, che può essere influenzato da fattori ambientali, ha fornito informazioni utili ma ha migliorato le prestazioni solo marginalmente una volta aggiunto ad accelerometro e giroscopio. Poiché i telefoni sono stati utilizzati liberamente, senza una posizione di trasporto fissa, è improbabile che il modello abbia semplicemente imparato luoghi o posture specifiche. Piuttosto, sembra catturare schemi ampi e ripetibili del movimento quotidiano che tendono a precedere voglie e ricadute, anche quando le persone non ne sono consapevoli.

Cosa potrebbe significare per chi prova a smettere

Per chi cerca di smettere di fumare, i momenti più pericolosi sono spesso brevi, quando l’impulso aumenta e risulta facile afferrare una sigaretta prima che arrivi il supporto. Questo studio mostra che i dati di movimento già raccolti dagli smartphone ordinari possono essere trasformati in una sorta di sistema di allerta precoce che individua questi momenti qualche minuto prima, senza bisogno della posizione GPS o di una storia personale dettagliata. In futuro, tali modelli potrebbero alimentare app per smettere di fumare che osservano discretamente i pattern a rischio nei tuoi movimenti e intervengono con incoraggiamento, strumenti o contatti ben calibrati quando ne hai più bisogno, e la stessa idea potrebbe infine aiutare anche con altre abitudini legate alla salute.

Citazione: 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

Parole chiave: cessazione del fumo, sensori dello smartphone, predizione della voglia, deep learning, salute digitale