Användning av bärbar data för att upptäcka depressionssvårighetsgrad i kliniska och icke-kliniska urval

Varför din aktivitetsmätare kan avslöja mer än steg

Många bär numera smartklockor eller aktivitetsarmband för att räkna steg och följa sömn. Denna studie ställer en slående fråga: skulle samma prylar tyst kunna flagga när någon kan ha svårt med depression, redan innan personen söker hjälp? Genom att undersöka vardagliga mönster i hjärtfrekvens, rörelse och sömn undersökte forskarna om konsumentinriktade wearables kan hjälpa till att upptäcka personer med högre nivåer av depressiva symtom, både bland universitetsstudenter och patienter som redan är i behandling.

Två grupper, en gemensam enhet

För att pröva idén kombinerade teamet data från två mycket olika grupper som alla bar samma Garmin-armband under två veckor. Den ena gruppen bestod av universitetsstudenter i Nederländerna, där de flesta inte var i behandling för psykisk ohälsa. Den andra kom från en tysk universitetsklinik, där patienter fick terapi för diagnostiserad depression. Alla fyllde också i ett kort standardiserat frågeformulär om stämningsläge, och forskarna använde poängen för att dela in deltagarna i ”screen-positiva för depression” eller ”inte screen-positiva”. Denna uppläggning gjorde det möjligt att se om signaler från wearables kunde skilja mellan personer med högre respektive lägre symtomnivåer över både vardagliga och kliniska miljöer.

Att omvandla dagliga rytmer till signaler

Armbanden registrerade grundläggande egenskaper som många aktivitetsmätare mäter: hur många steg personer tog varje dag, hur länge de sov, när de gick och lade sig och vaknade, och hur deras hjärtfrekvens betedde sig vaken och under sömn. Istället för att fokusera på enstaka dagar sammanfattade teamet två veckors data per person, och fångade inte bara medelvärden utan också hur mycket dessa mönster varierade från dag till dag. De använde sedan en typ av statistisk modell som ofta tillämpas inom maskininlärning och som är byggd för att hantera många relaterade prediktorer samtidigt, för att se om en kombination av dessa funktioner kunde klassificera vilka som screenade positivt för högre depressionssvårighetsgrad.

Vad wearables avslöjade

Över alla 282 deltagare visade modellen god prestanda: i det hållna testdata skilde den korrekt mellan högre och lägre symtomgrupper ungefär fyra av fem gånger. Tre typer av signaler framträdde. Personer med mer oregelbunden sömn — större svängningar i hur länge de sov varje natt — hade större sannolikhet att hamna i gruppen med högre symtom. De som nådde lägre toppstegantal på sina mest aktiva dagar tenderade också att visa mer allvarliga symtom, vilket speglar tidigare arbete som kopplat depression till minskad fysisk aktivitet. Slutligen var individer vars lägsta dagliga hjärtfrekvens var särskilt låg mer benägna att tillhöra gruppen med högre symtom, vilket antyder förändringar i kroppslig aktivering eller energi som kan följa med depression.

Bortom vem du är, mot hur du lever

Forskarna kontrollerade också hur mycket av prediktionen som helt enkelt kom från att veta vilken grupp en person tillhörde — student eller klinisk patient. Gruppmedlemskap i sig var en stark ledtråd, eftersom öppenvårdsprovet i genomsnitt hade mycket högre depressionspoäng än studentprovet. När dock wearable-funktioner lades till modeller som redan kände en persons grupp förbättrades den övergripande prestandan. Med andra ord gav hur någon sov, rörde sig och hur deras hjärta betedde sig fortfarande information utöver grundläggande bakgrundsfaktorer. Uppföljande analyser som justerade för ålder, läggtid eller något olika trösklar i stämningsfrågeformuläret visade liknande resultat, även om de viktigaste signalerna delvis försköts mot sömntidpunkt och mönster i vilopuls.

Lovande, med viktiga förbehåll

Även om resultaten är uppmuntrande poängterar författarna att dagens data från wearables inte är ett fristående diagnostiskt verktyg. Många deltagare, särskilt i den kliniska gruppen, måste uteslutas eftersom deras enheter inte levererade tillräckligt med data, och det slutliga urvalet kontrasterade främst personer med tydlig depression mot till största delen friska studenter. Det innebär att modellen är mindre prövad för att upptäcka subtila eller tidiga förändringar i stämningsläge. Skillnader i ålder, studiebelastning och andra livsomständigheter mellan grupper kan också ha påverkat mönstren. Arbetet visar att vardagsrytm fångad av vanliga prylar kan spegla meningsfulla aspekter av mental hälsa, men verkligt tillförlitlig användning i verkliga livet kommer att kräva större och mer mångsidiga studier.

Vad detta betyder för vardagen

För en lekman är huvudbudskapet att förändringar i sömnregularitet, rörelse och kroppens ”vilotillstånd” lämnar mätbara fingeravtryck som smartklockor kan upptäcka. I denna studie hjälpte sådana fingeravtryck att identifiera personer med högre nivåer av depressiva symtom i både student- och patientgrupper. I framtiden kan liknande metoder stödja tidiga varningssystem som informerar individer eller kliniker när mönster börjar likna dem som förknippas med depression, och därigenom leda till tidsmässiga samtal eller utvärderingar. För nu är budskapet hoppfullt men försiktigt: din aktivitetsmätare börjar se tecken på din psykiska hälsa, men den är ännu inte redo att ersätta en utbildad professionell — eller din egen röst när du ber om hjälp.

Citering: Hehlmann, M.I., Tutunji, R., Lutz, W. et al. Using wearable data to detect depression severity across clinical and non-clinical samples. Sci Rep 16, 11380 (2026). https://doi.org/10.1038/s41598-026-47177-3

Nyckelord: bärbara enheter, depression upptäckt, sömn- och aktivitetsmönster, digital mental hälsa, passiv mätning