Bewegingsgegevens van smartphones kunnen betrouwbaar terugval en trek in sigaretten voorspellen om tijdige stopondersteuning mogelijk te maken

Hoe je telefoon je kan helpen met stoppen met roken

Veel mensen dragen nu zonder er verder bij stil te staan een krachtige bundel sensoren in hun zak: hun smartphone. Deze studie stelt een eenvoudige vraag met grote persoonlijke gevolgen: kunnen de kleine bewegingen die je telefoon al registreert stilletjes aangeven wanneer je op het punt staat een sterke drang te voelen om te roken of terug te vallen in oude gewoonten, zodat hulp op tijd bij je kan komen?

Van rooktriggers naar stille signalen

Jarenlang richtten onderzoekers die rokers wilden helpen vooral op duidelijke triggers, zoals waar iemand is, met wie ze zijn of welk tijdstip het is. Die aanwijzingen zijn nuttig maar onvolmaakt, en ze vertrouwen vaak op zelfrapportage van drang en terugval, wat onnauwkeurig of incompleet kan zijn. Smartphones en wearables hebben het speelveld veranderd door passief gedetailleerde informatie over onze bewegingen te verzamelen, maar deze rijke stroom bewegingsdata is zelden gebruikt om rookgedrag buiten het lab te begrijpen.

Een simpele app en maanden aan levensdata

Het onderzoeksteam vroeg 17 dagelijkse rokers in het Verenigd Koninkrijk om een eenvoudige app op hun eigen telefoons te installeren. Twee weken lang drukten deelnemers elke keer dat ze rookten op één knop in de app. Daarna probeerden ze te stoppen en logden ze gedurende drie maanden eventuele terugvallen en beoordeelden ze hun trek wanneer die sterk was, of ten minste eenmaal per dag. Gedurende beide fasen nam de app geruisloos beweging op met drie ingebouwde sensoren: de versnellingsmeter, gyroscoop en magnetometer, plus lichtniveau en tijdstip van de dag. De telefoon mocht meegenomen worden zoals de deelnemers wilden en zat niet vast aan een bepaald lichaamsdeel, waardoor de data natuurlijke alledaagse omstandigheden weerspiegelde in plaats van labcondities.

Een model leren risicomomenten te herkennen

Om te onderzoeken of deze subtiele bewegingspatronen rookgerelateerde gebeurtenissen konden voorspellen, knipten de wetenschappers de sensoropnamen in niet-overlappende stukjes van vijf minuten en labelden elk stukje als roken, trek of geen van beide op basis van de apprapportages. Vervolgens vergeleken ze verschillende moderne AI-modellen die zijn ontworpen om patronen in tijdreeksen te herkennen. De beste presteerder combineerde twee deep-learningtechnieken in een gestapelde pijplijn. Wanneer dit model alleen gevoed werd met bewegingsdata van de drie bewegingssensoren, voorspelde het correct of er binnen de volgende vijf minuten een rookgebeurtenis zou plaatsvinden in ongeveer 85 procent van de gevallen tijdens de pre-stopperiode. Het bereikte ook ongeveer 77 tot 78 procent nauwkeurigheid bij het signaleren van momenten met sterke trek en terugvallen gedurende de daaropvolgende drie maanden.

Patronen die werken bij verschillende mensen

Een belangrijke vraag was of deze bewegingspatronen uniek waren voor elk individu of gedeeld werden door rokers. Om dit te testen trainde het team het model op de pre-stopdata van alle deelnemers behalve één, en vroeg het toen om de terugvallen en trek van die overgebleven persoon tijdens de stopperiode te voorspellen. Door op deze manier door de groep te roteren, presteerde het model nog steeds goed: gemiddeld kon het risicovolle vijfminutensegmenten onderscheiden van minder risicovolle met een score die wijst op een goede scheiding tussen beide. Het was bijzonder sterk in het voorspellen van trek, wat suggereert dat subtiele veranderingen in hoe mensen bewegen nog voordat ze een sigaret aanraken een betrouwbare waarschuwing kunnen zijn.

Waarom kleine bewegingen mogelijk belangrijker zijn dan tijd en plaats

Misschien verrassend genoeg presteerden de bewegingssensoren beter dan meer traditionele voorspellers zoals tijd van de dag of lichtniveau, die vaak als belangrijke aanwijzingen in rookonderzoek worden gezien. Tijd van de dag op zichzelf was de zwakste voorspeller. De magnetometer, die door omgevingsfactoren beïnvloed kan worden, leverde nuttige informatie maar verbeterde de prestatie slechts licht wanneer die aan de versnellingsmeter en gyroscoop werd toegevoegd. Omdat de telefoons vrij werden gebruikt, zonder vaste draagpositie, is het onwaarschijnlijk dat het model simpelweg specifieke plaatsen of houdingen had geleerd. In plaats daarvan lijkt het brede, reproduceerbare patronen van alledaagse beweging vast te leggen die vaak aan trek en terugval voorafgaan, zelfs wanneer mensen zich daar zelf niet van bewust zijn.

Wat dit kan betekenen voor mensen die willen stoppen

Voor iemand die probeert te stoppen met roken zijn de gevaarlijkste momenten vaak kort: wanneer de drang oploopt en het makkelijk is om naar een sigaret te grijpen voordat steun arriveert. Deze studie laat zien dat bewegingdata die al door gewone smartphones wordt verzameld kan worden omgevormd tot een soort vroegwaarschuwingssysteem dat deze momenten enkele minuten van tevoren detecteert, zonder GPS-locatie of gedetailleerde persoonlijke geschiedenis te hoeven gebruiken. In de toekomst zouden dergelijke modellen apps kunnen aandrijven die stilletjes letten op risicopatronen in je bewegingen en op het juiste moment aanmoediging, hulpmiddelen of contact aanbieden wanneer je ze het meest nodig hebt, en hetzelfde idee kan uiteindelijk ook helpen bij andere gezondheidsgerelateerde gewoonten.

Bronvermelding: 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

Trefwoorden: stoppen met roken, smartphone-sensoren, trekvoorspelling, deep learning, digitale gezondheid