Het voorspellen van individuele verschillen in effectiviteit van digitale alcoholinterventies met multimodale data

Waarom het drinkgedrag van vrienden ertoe doet

Veel jongvolwassenen willen minder drinken maar hebben mogelijk niet de tijd of het geld voor face‑to‑face counseling. Smartphoneprogramma’s die korte, op psychologie gebaseerde herinneringen sturen, bieden een handig alternatief. Deze digitale middelen werken echter niet bij iedereen even goed. Deze studie stelde een actuele vraag: kunnen we van tevoren voorspellen wie het meest baat heeft bij een digitale alcoholinterventie, op basis van informatie over iemands gevoelens, hersenen, vriendschappen en — het belangrijkst — hun waarnemingen over hoeveel hun vrienden drinken?

Smartphones als zakcoaches

De onderzoekers werkten met studenten die sociaal dronken aan twee Amerikaanse universiteiten. Gedurende 28 dagen ontvingen de studenten twee keer per dag sms‑berichten die “psychologische afstand” aanleerden. Sommige berichten gaven mindfulness‑instructies — merk je gedachten en verlangens op zonder erop te reageren. Andere stimuleerden perspectiefneming — stel je voor hoe een vriend die heel weinig drinkt, in deze situatie zou denken en voelen. Tijdens ‘actieve’ weken kregen studenten deze afstandsherinneringen; tijdens ‘inactieve’ weken rapporteerden ze alleen hun drinkgedrag en werd hen verteld zich natuurlijk te gedragen. Dit aan‑en‑uit‑ontwerp stelde de onderzoekers in staat te zien of mensen daadwerkelijk minder dronken wanneer de digitale coaching aanstond.

Veel soorten data, één centrale vraag

Voordat de interventie begon, vulden de studenten uitgebreide vragenlijsten in. Ze beantwoordden vragen over hun eigen drinkgewoonten en motieven, hun stemmingen en persoonlijkheid, en hoe sterk ze druk van leeftijdsgenoten voelden. Ze brachten hun sociale netwerken in kaart en gaven aan wie in hun campusgroep het meest dronk of veel sociale invloed had. Sommigen ondergingen ook hersenscans terwijl ze naar alcohol‑ en sociale beelden keken. Het team voerde al deze ‘multimodale’ gegevens — psychologisch, sociaal, neuronaal en demografisch — in verschillende machine‑learningmodellen. Het doel was te zien of een computer kon leren studenten in te delen in ‘responders’, die het aantal wekelijkse drinkgelegenheden met meer dan één verminderd hadden, en ‘non‑responders’, die dat niet deden.

Wat je denkt dat je vrienden drinken voorspelt verandering

Verrassend genoeg bleken de krachtigste voorspellers geen hersenscans of gedetailleerde persoonlijkheidstests te zijn, maar slechts vijf vragen over waargenomen drinkgedrag van leeftijdsgenoten. Studenten konden aangeven hoe vaak en hoeveel de zwaarste drinkers in hun groep alcohol consumeerden, en hoe goedkeurend hun groep leek ten aanzien van drinken en bingedrinken. Met alleen dit kleine aantal antwoorden kon een random forest‑model in de eerste studentensteekproef responders ongeveer 71% van de tijd correct onderscheiden van non‑responders — wat de drempels haalt of overstijgt die eerdere digitale gezondheidsstudies nuttig achten om zorg te sturen. Toen hetzelfde model op een tweede, onafhankelijke steekproef werd getest, presteerde het op een vergelijkbaar niveau, wat suggereert dat de resultaten geen toevalligheid van één groep of periode waren.

Matige, frequente drinkers zijn de ideale doelgroep

Bij nadere bestudering werkte de interventie het beste voor studenten die hun zwaarst drinkende leeftijdsgenoten zagen als regelmatige maar niet extreme drinkers — ongeveer één tot twee drinkgelegenheden per week en een paar drankjes per keer. Degenen die hun peers als zeer zelden drinkend zagen, waren minder geneigd te veranderen, mogelijk omdat drinken in hun kringen al zeldzaam was. Degenen die dachten dat hun peers erg veel dronken profiteerden ook minder, mogelijk omdat sociale druk om te drinken te sterk was voor korte sms‑herinneringen om tegenin te gaan. Opvallend was dat het deze percepties waren die ertoe deden, niet het daadwerkelijke zelfgerapporteerde drinkgedrag van de peers. Studenten onderschatten vaak hoeveel hun zwaarst drinkende vrienden werkelijk dronken, maar hun overtuigingen bepaalden toch wie reageerde.

Wat dit betekent voor het dagelijks leven

Voor niet‑specialisten is de conclusie dat onze overtuigingen over wat vrienden doen sterk kunnen bepalen hoe goed eenvoudige digitale hulpmiddelen ons helpen minder alcohol te gebruiken. Een korte vragenlijst over waargenomen drinkgedrag van leeftijdsgenoten — een goedkope, gemakkelijk te leveren maat — was genoeg voor algoritmen om redelijk nauwkeurige voorspellingen te doen over wie baat zou hebben bij een sms‑gebaseerd afstandsprogramma. In de toekomst zouden apps met slechts een handvol vragen over jouw sociale kring kunnen bepalen of ze een standaardprogramma, een intensievere versie of een ander soort ondersteuning aanbieden. Hoewel meer onderzoek nodig is in grotere en meer diverse groepen, toont dit onderzoek aan dat slimmer, meer gepersonaliseerd digitaal hulpaanbod voor alcoholgebruik mogelijk slechts een paar goedgekozen vragen weg is.

Bronvermelding: Fuchs, M., Boyd, Z.M., Schwarze, A. et al. Predicting individual differences in digital alcohol intervention effectiveness through multimodal data. npj Digit. Med. 9, 170 (2026). https://doi.org/10.1038/s41746-026-02356-4

Trefwoorden: digitale alcoholinterventie, percepties van drinkgedrag van leeftijdsgenoten, psychologische afstand nemen, machine learning in de gezondheidszorg, studenten en alcoholgebruik