Dados de movimento do smartphone podem prever com confiabilidade recaídas e ânsias de fumar para possibilitar apoio pontual ao abandono do tabagismo

Como seu telefone pode ajudar você a parar de fumar

Muitas pessoas hoje carregam no bolso um conjunto poderoso de sensores sem nem pensar duas vezes: o smartphone. Este estudo faz uma pergunta simples, com grande impacto pessoal: os pequenos movimentos que seu telefone já registra silenciosamente podem sinalizar quando você está prestes a sentir uma forte vontade de fumar ou a retomar velhos hábitos, de modo que a ajuda chegue a tempo?

De gatilhos para o fumo a sinais silenciosos

Durante anos, pesquisadores que tentavam ajudar fumantes a parar focaram em gatilhos óbvios, como onde a pessoa está, com quem ela está ou a hora do dia. Esses indícios são úteis, porém imperfeitos, e frequentemente dependem de relatos das próprias pessoas sobre suas vontades e recaídas, que podem ser imprecisos ou incompletos. Smartphones e dispositivos vestíveis mudaram o jogo ao coletarem passivamente informações detalhadas sobre como nos movemos, mas esse rico fluxo de dados de movimento raramente foi usado para entender o comportamento de fumar fora do laboratório.

Um app simples e meses de dados da vida real

A equipe de pesquisa pediu a 17 fumantes diários no Reino Unido que instalassem um app básico em seus próprios telefones. Durante duas semanas, os participantes pressionavam um único botão no app cada vez que fumavam. Em seguida, tentaram parar e, por três meses, registraram quaisquer recaídas e avaliaram suas ânsias quando estas eram fortes, ou ao menos uma vez por dia. Em ambas as fases, o app registrou silenciosamente movimento de três sensores embutidos: acelerômetro, giroscópio e magnetômetro, além do nível de luz e da hora do dia. O telefone podia ser carregado como cada pessoa preferisse e não foi preso a nenhuma parte do corpo em particular, fazendo com que os dados refletissem a vida cotidiana natural em vez de condições de laboratório.

Ensinando um modelo a reconhecer momentos de risco

Para verificar se esses padrões sutis de movimento podiam prenunciar eventos relacionados ao fumo, os cientistas dividiram as gravações dos sensores em fatias não sobrepostas de cinco minutos e rotularam cada fatia como fumar, ânsia ou nenhuma das duas, com base nos relatos do app. Em seguida compararam vários modelos modernos de inteligência artificial projetados para detectar padrões em séries temporais. O melhor desempenho combinou duas técnicas de aprendizado profundo em um pipeline em camadas. Alimentado apenas pelos dados de movimento dos três sensores de movimento, esse modelo previu corretamente se um evento de fumar ocorreria nos próximos cinco minutos em cerca de 85% das vezes durante o período pré-abandono. Também alcançou cerca de 77 a 78% de acurácia ao sinalizar momentos de alta ânsia e recaídas nos três meses seguintes.

Padrões que funcionam entre diferentes pessoas

Uma questão importante era se esses padrões de movimento eram únicos para cada pessoa ou compartilhados entre fumantes. Para testar isso, a equipe treinou o modelo com os dados pré-abandono de todos, exceto um participante, e então pediu para ele prever as recaídas e ânsias dessa pessoa remanescente durante o período de cessação. Rodando esse processo por todo o grupo, o modelo ainda teve bom desempenho: em média conseguiu distinguir janelas de cinco minutos de alto risco das de baixo risco com uma pontuação que indica boa separação entre as duas. Foi particularmente forte na previsão de ânsias, sugerindo que mudanças sutis em como as pessoas se movem antes mesmo de tocar um cigarro podem ser um sinal de alerta confiável.

Por que movimentos minúsculos podem importar mais que hora e lugar

Surpreendentemente, os sensores de movimento superaram preditores mais tradicionais, como hora do dia ou nível de luz, que muitas vezes são tratados como pistas-chave na pesquisa sobre fumo. A hora do dia sozinha foi o preditor mais fraco. O magnetômetro, que pode ser influenciado por fatores ambientais, contribuiu com informação útil, mas só aumentou ligeiramente o desempenho quando adicionado ao acelerômetro e ao giroscópio. Como os telefones foram usados livremente, sem posição fixa de transporte, é pouco provável que o modelo tenha simplesmente aprendido lugares ou posturas particulares. Em vez disso, parece capturar padrões amplos e repetíveis de movimento cotidiano que tendem a preceder ânsias e recaídas, mesmo quando as próprias pessoas não têm consciência deles.

O que isso pode significar para quem tenta parar

Para quem tenta parar de fumar, os momentos mais perigosos costumam ser breves, quando as vontades disparam e é fácil pegar um cigarro antes que o apoio chegue. Este estudo mostra que dados de movimento já coletados por smartphones comuns podem ser transformados em uma espécie de sistema de alerta antecipado que detecta esses momentos alguns minutos antes, sem precisar de GPS ou histórico pessoal detalhado. No futuro, tais modelos poderiam alimentar apps de cessação que observam discretamente padrões de risco em seus movimentos e intervenham com incentivo, ferramentas ou contatos no momento certo, e a mesma ideia pode eventualmente ajudar em outros hábitos relacionados à saúde.

Citação: 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

Palavras-chave: cessação do tabagismo, sensores de smartphone, predição de ânsia, aprendizado profundo, saúde digital