Dane o ruchu ze smartfona mogą wiarygodnie przewidywać nawroty palenia i głód nikotynowy, umożliwiając terminowe wsparcie przy rzucaniu palenia

Jak twój telefon może pomóc ci rzucić palenie

Wiele osób nosi teraz w kieszeni potężny zestaw czujników, nie zastanawiając się nad tym: swój smartfon. Badanie stawia proste pytanie o dużych osobistych konsekwencjach: czy niewielkie ruchy, które telefon już rejestruje, mogą po cichu sygnalizować, że zaraz odczujesz silną potrzebę zapalenia lub powrót do starych nawyków, tak aby pomoc mogła dotrzeć na czas?

Od wyzwalaczy palenia do cichych sygnałów

Przez lata badacze próbujący pomóc palaczom rzucić nałóg koncentrowali się na oczywistych wyzwalaczach, takich jak miejsce pobytu, towarzystwo czy pora dnia. Te wskazówki są przydatne, ale nieidealne, a często opierają się na samodzielnym zgłaszaniu głodu nikotynowego i nawrotów, które może być niedokładne lub niepełne. Smartfony i urządzenia noszone zmieniły reguły gry, pasywnie zbierając szczegółowe informacje o naszych ruchach, jednak ten bogaty strumień danych ruchowych rzadko wykorzystywano do badania zachowań związanych z paleniem poza laboratorium.

Prosta aplikacja i miesiące danych z realnego życia

Zespół badawczy poprosił 17 codziennych palaczy z Wielkiej Brytanii o zainstalowanie podstawowej aplikacji na własnych telefonach. Przez dwa tygodnie uczestnicy naciskali jeden przycisk w aplikacji za każdym razem, gdy palili. Potem próbowali rzucić palenie, a przez trzy miesiące rejestrowali nawroty i oceniali swoje głody, gdy były silne, lub przynajmniej raz dziennie. W obu fazach aplikacja cicho rejestrowała ruch z trzech wbudowanych czujników: akcelerometru, żyroskopu i magnetometru, a także natężenie światła i porę dnia. Telefon mógł być noszony dowolnie i nie był przymocowany do konkretnej części ciała, dzięki czemu dane odzwierciedlały naturalne życie codzienne, a nie warunki laboratoryjne.

Nauka modelu rozpoznawania ryzykownych momentów

Aby sprawdzić, czy subtelne wzorce ruchu mogą przewidywać zdarzenia związane z paleniem, naukowcy podzielili nagrania z czujników na niepokrywające się pięciominutowe fragmenty i oznaczyli każdy fragment jako palenie, głód lub brak zdarzenia na podstawie raportów z aplikacji. Następnie porównali kilka nowoczesnych modeli sztucznej inteligencji zaprojektowanych do wykrywania wzorców w danych szeregów czasowych. Najlepszy model łączył dwie techniki uczenia głębokiego w nałożonej kaskadzie. Kiedy podawano mu wyłącznie dane ruchowe z trzech czujników ruchu, model poprawnie przewidywał, czy zdarzenie palenia wystąpi w ciągu następnych pięciu minut, około 85 procent czasu w okresie przed rzuceniem. Osiągał też około 77–78 procent skuteczności w oznaczaniu silnych głodów i nawrotów w ciągu następnych trzech miesięcy.

Wzorce działające u różnych osób

Jednym z ważnych pytań było, czy te wzorce ruchu są unikalne dla każdej osoby, czy wspólne dla palaczy. Aby to sprawdzić, zespół trenował model na danych z okresu przed rzuceniem od wszystkich uczestników z wyjątkiem jednego, a następnie prosił go o przewidzenie nawrotów i głodów tej pozostawionej osoby w okresie rzucenia. Rotując w ten sposób przez całą grupę, model wciąż dobrze działał: średnio potrafił odróżnić pięciominutowe okna o wysokim i niskim ryzyku z wynikiem wskazującym na dobrą separację między nimi. Był szczególnie silny w przewidywaniu głodu, co sugeruje, że subtelne zmiany w sposobie poruszania się ludzi, zanim jeszcze dotkną papierosa, mogą być wiarygodnym sygnałem ostrzegawczym.

Dlaczego drobne ruchy mogą mieć większe znaczenie niż czas i miejsce

Co być może zaskakujące, czujniki ruchu przewyższały bardziej tradycyjne predyktory, takie jak pora dnia czy natężenie światła, które często traktowano jako kluczowe wskazówki w badaniach nad paleniem. Sama pora dnia była najsłabszym predyktorem. Magnetometr, którego odczyty mogą być wpływane przez czynniki środowiskowe, wnosił użyteczne informacje, ale tylko nieznacznie podnosił skuteczność po dodaniu do akcelerometru i żyroskopu. Ponieważ telefony były używane swobodnie, bez stałej pozycji noszenia, mało prawdopodobne jest, że model po prostu nauczył się konkretnych miejsc czy postaw. Raczej wydaje się, że wychwytuje szerokie, powtarzalne wzorce codziennych ruchów, które zwykle poprzedzają głody i nawroty, nawet gdy sami ludzie nie są tego świadomi.

Co to może znaczyć dla osób próbujących rzucić

Dla osoby próbującej przestać palić najniebezpieczniejsze momenty są często krótkie: gdy nagle narasta chęć i łatwo sięgnąć po papierosa, zanim pojawi się wsparcie. Badanie pokazuje, że dane ruchowe już zbierane przez zwykłe smartfony można przekształcić w rodzaj systemu wczesnego ostrzegania, który wykrywa te chwile kilka minut do przodu, bez potrzeby korzystania z dokładnego GPS czy szczegółowej historii osobistej. W przyszłości takie modele mogłyby zasilać aplikacje wspomagające rzucanie palenia, które dyskretnie monitorują ryzykowne wzorce ruchu i interweniują z dobrze dobranym wsparciem, narzędziami czy kontaktami, gdy są najbardziej potrzebne. Ta sama koncepcja może w przyszłości pomóc także w innych nawykach związanych ze zdrowiem.

Cytowanie: 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

Słowa kluczowe: rzucanie palenia, czujniki smartfonów, prognozowanie głodu nikotynowego, uczenie głębokie, zdrowie cyfrowe