Validering av SocialBit som en smartklockealgoritm för upptäckt av social interaktion i en klinisk population

Varför det spelar roll att räkna konversationer

Efter en allvarlig sjukdom som stroke kan små vardagliga ögonblick — som att prata med en sjuksköterska eller skoja med familjen — tyst påverka återhämtningen. Sociala band skyddar hjärnhälsan och kan till och med förlänga livet, men läkare har sällan ett tillförlitligt sätt att mäta hur socialt engagerad en patient faktiskt är under dagen. Denna studie presenterar SocialBit, ett system baserat på smartklocka som lyssnar efter konversationer på ett integritetsmedvetet sätt och testar om det kan spåra verklig social interaktion hos personer som vårdas på sjukhus efter en stroke.

En smartklocka som hör, inte avlyssnar

SocialBit är en mjukvarualgoritm som körs på en vanlig smartklocka. Istället för att spela in samtal eller analysera vad folk säger använder den korta utdrag av omgivningsljud för att fånga mönster som volym, rytm och andra akustiska egenskaper. Utifrån dessa avgör den om en minut sannolikt innehöll en interaktion — definierat enkelt som något ljud gjort av eller riktat till patienten av en annan person, inklusive fragmenterad eller icke‑verbal talförmåga som är vanligt efter stroke. Eftersom systemet aldrig lagrar råa ljudfiler eller transkriberad text är det utformat för att bevara integriteten samtidigt som kliniker får en kontinuerlig bild av patientens sociala värld.

Testning av enheten i verkligt sjukhusliv

För att se om SocialBit fungerar utanför laboratoriet skrev forskarna in 153 vuxna patient­er inlagda för ischemisk stroke vid två sjukhus i Boston. Patienterna bar smartklockan under dagtid i upp till åtta dagar, medan tränade observatörer övervakade säker videoström och märkte varje minut som social eller inte. Detta skapade nästan 89 000 minuter mänskligt kodade data, varav cirka 14 000 minuter också hade SocialBit-avläsningar. Patienterna varierade mycket: strokens svårighetsgrad sträckte sig från mycket lindrig till svår, tanke‑ och minnesskattningar täckte nästan hela skalan, och 24 deltagare hade olika former av afasi, en språkrubbning som ofta stör normal konversation. Denna mångfald gjorde det möjligt för teamet att testa om systemet höll även när tal var avbrutet, sluddrigt eller mycket begränsat.

Hur väl algoritmen presterade

När SocialBits bedömningar jämfördes med de mänskliga kodarnas minut‑för‑minut‑etiketter upptäckte den bäst presterande versionen av algoritmen social interaktion korrekt i ungefär 87 procent av de minuter som faktiskt innehöll det och identifierade korrekt icke‑interaktion 88 procent av gångerna. Statistiskt placerade detta SocialBit före befintliga allmänna tal‑ och konversationsdetektorer. Viktigt är att dess sammanfattande vy av hur mycket tid patienterna tillbringade i interaktion under dagen stämde nära överens med de mänskliga uppskattningarna, trots att smartklockan endast provade en av fem minuter för att spara batteri. Prestandan förblev stark över många verkliga utmaningar, inklusive bakgrundsteve, sido­samtal i rummet, telefon‑ och videosamtal, olika sjukhusenheter och två typer av smartklockehårdvara.

Inkludering av patienter som har svårt att tala

En nyckelfråga var om SocialBit skulle misslyckas hos personer med afasi, som kan tala mindre eller producera icke‑standardiserat tal. I denna undergrupp fungerade algoritmen fortfarande väl, med endast en måttlig minskning i noggrannhet jämfört med patienter utan språksvårigheter. Systemet uppträdde också kliniskt rimligt: patienter med mer allvarlig stroke hade färre minuter med upptäckt interaktion, vilket speglade vad de mänskliga kodarna observerade. Varje enpoängshöjning i strokens svårighetsgrad var kopplad till ungefär en procentenhets minskning i andelen tid som tillbringades i interaktion. Detta tyder på att SocialBit inte bara känner igen ljud utan fångar en meningsfull dimension av patienternas sociala liv.

Vad detta kan betyda för vården

Författarna menar att ett verktyg som SocialBit skulle kunna göra social interaktion till ett "vitalsignal" som kan följas tillsammans med blodtryck eller puls. Inom forskning kan det ge ett objektivt utfall för kliniska prövningar som syftar till att förbättra livskvalitet eller minska isolering. I vardaglig praktik skulle det kunna varna kliniker och vårdgivare när en patient blir mindre socialt engagerad, vilket möjliggör tidigare stöd eller förändringar i miljön. Medan mer arbete krävs för att anpassa systemet för hemmabruk och för att fånga inte bara hur ofta människor interagerar utan också hur meningsfulla dessa stunder är, visar denna studie att en enkel smartklocka tillförlitligt kan mäta en kraftfull men tidigare osynlig ingrediens i återhämtning: mänsklig kontakt.

Citering: Dhand, A., Tate, S., Mack, C. et al. Validation of SocialBit as a smartwatch algorithm for social interaction detection in a clinical population. Sci Rep 16, 4529 (2026). https://doi.org/10.1038/s41598-026-37746-x

Nyckelord: återhämtning efter stroke, social interaktion, smartwatch-sensorik, digital biomarkör, afasi