Smartphone‑rörelsedata kan pålitligt förutsäga återfall i rökning och sug för att möjliggöra tidsanpassat stöd vid rökavvänjning

Hur din telefon kan hjälpa dig sluta röka

Många bär idag en kraftfull samling sensorer i fickan utan att tänka på det: sin smartphone. Denna studie ställer en enkel fråga med stora personliga konsekvenser: kan de små rörelser din telefon redan registrerar tyst signalera när du är på väg att känna ett starkt sug efter att röka eller att falla tillbaka i gamla vanor, så att hjälp kan nå dig i tid?

Från rök‑triggers till tysta signaler

Under åratal har forskare som försökt hjälpa rökare att sluta fokuserat på uppenbara triggers som var någon befinner sig, vem de är med eller vilken tid på dygnet det är. Dessa ledtrådar är användbara men ofullkomliga, och de förlitar sig ofta på att människor rapporterar sina egna sug och återfall, vilket kan vara felaktigt eller ofullständigt. Smartphones och bärbar teknik har förändrat spelplanen genom att passivt samla detaljerad information om hur vi rör oss, men denna rika ström av rörelsedata har sällan använts för att förstå rökbeteende utanför laboratoriet.

En enkel app och månader av data från verkliga livet

Forskargruppen bad 17 dagligrökare i Storbritannien att installera en enkel app på sina egna telefoner. I två veckor tryckte deltagarna på en enda knapp i appen varje gång de rökte. Sedan försökte de sluta, och under tre månader loggade de eventuella återfall och bedömde sitt sug när det var starkt, eller åtminstone en gång om dagen. Under båda faserna spelade appen tyst in rörelser från tre inbyggda sensorer: accelerometer, gyroskop och magnetometer, plus ljusnivå och tid på dygnet. Telefonen kunde bäras hur deltagarna ville och var inte fastsurrad vid någon särskild kroppsdel, vilket gör att datan speglar naturligt vardagsliv snarare än laboratorieförhållanden.

Att lära en modell att känna igen riskfyllda ögonblick

För att se om dessa subtila rörelsemönster kunde förutsäga rökrelaterade händelser delade forskarna upp sensorinspelningarna i icke‑överlappande femminuterssegment och märkte varje segment som rökning, sug eller inget av dem baserat på app‑rapporterna. De jämförde sedan flera moderna AI‑modeller utformade för att hitta mönster i tidsseriedata. Bäst presterade en modell som kombinerade två djuplärandetekniker i en staplad pipeline. När modellen matades enbart med rörelsedata från de tre motionssensorerna förutspådde den korrekt om en rökhändelse skulle inträffa inom de kommande fem minuterna cirka 85 procent av gångerna under för‑slut‑perioden. Den nådde också omkring 77 till 78 procent träffsäkerhet för att flagga starkt sug och återfall under de följande tre månaderna.

Mönster som fungerar över olika personer

En viktig fråga var om dessa rörelsemönster var unika för varje person eller delade mellan rökare. För att testa detta tränade teamet modellen på för‑slut‑datan från alla utom en deltagare, och bad sedan modellen förutsäga den återstående personens återfall och sug under slutperioden. Genom att rotera genom gruppen på detta sätt presterade modellen fortfarande väl: i genomsnitt kunde den skilja hög‑ och låg‑risk femminutersfönster åt med en poäng som indikerar god separering mellan de två. Den var särskilt stark på att förutsäga sug, vilket tyder på att subtila förändringar i hur människor rör sig innan de ens rör en cigarett kan vara en pålitlig varningssignal.

Varför små rörelser kan vara viktigare än tid och plats

Kanske förvånande överträffade rörelsesensorerna mer traditionella prediktorer som tid på dygnet eller ljusnivå, vilka ofta setts som viktiga ledtrådar i rökforsking. Tid på dygnet var svagast som ensam prediktor. Magnetometern, som kan påverkas av omgivningsfaktorer, bidrog med användbar information men förbättrade endast prestandan något när den lades till accelerometern och gyroskopet. Eftersom telefonerna användes fritt, utan fast bärposition, är det osannolikt att modellen enbart lärde sig särskilda platser eller kroppsställningar. Istället verkar den fånga breda, upprepade mönster i vardagsrörelser som tenderar att föregå sug och återfall, även när människor själva inte är medvetna om dem.

Vad detta kan betyda för personer som försöker sluta

För någon som försöker sluta röka är de farligaste ögonblicken ofta korta, när begäret skjuter i höjden och det är lätt att sträcka sig efter en cigarett innan stöd hinner fram. Denna studie visar att rörelsedata som redan samlas in av vanliga smartphones kan omvandlas till ett slags tidigt varningssystem som upptäcker dessa ögonblick några minuter i förväg, utan att behöva GPS‑position eller detaljerad personlig historik. I framtiden skulle sådana modeller kunna driva appar för rökavvänjning som tyst övervakar riskabla rörelsemönster och ingriper med välplacerad uppmuntran, verktyg eller kontakter när du behöver dem som mest, och samma idé kan så småningom hjälpa till med andra hälsorelaterade vanor också.

Citering: 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

Nyckelord: rökavvänjning, smartphone‑sensorer, sug‑förutsägelse, djuplärande, digital hälsa