Förutsäga individuella skillnader i effektivitet hos digitala alkoholinterventioner med multimodala data

Varför dina vänners drickvanor spelar roll

Många unga vuxna vill minska sitt alkoholintag men har kanske varken tid eller pengar för personliga samtal. Mobilprogram som skickar korta, psykologiskt förankrade påminnelser är ett bekvämt alternativ. Men dessa digitala verktyg fungerar inte lika bra för alla. Denna studie ställde en aktuell fråga: kan vi i förväg förutsäga vem som mest sannolikt får nytta av en digital alkoholintervention, med hjälp av information om människors känslor, hjärnor, vänskapsrelationer och—viktigast av allt—deras uppfattningar om hur mycket deras vänner dricker?

Smartphones som fickcoacher

Forskarna arbetade med universitetsstudenter som var sociala dryckare vid två amerikanska universitet. Under 28 dagar fick studenterna textmeddelanden två gånger per dag som undervisade i ”psykologisk distansering”. Vissa meddelanden coachade mindfulness—att lägga märke till tankar och sug utan att agera på dem. Andra uppmuntrade perspektivtagande—föreställ dig hur en vän som dricker mycket lite skulle tänka och känna i denna situation. Under ”aktiva” veckor fick studenterna dessa distanseringspåminnelser; under ”inaktiva” veckor rapporterade de bara sitt drickande och uppmanades att agera naturligt. Denna av-och-på-design gjorde det möjligt för forskarna att se om folk faktiskt drack mindre när den digitala coachningen var påslagen.

Många sorters data, en nyckelfråga

Innan interventionen började genomgick studenterna omfattande bedömningar. De besvarade frågor om sina egna drickvanor och motiv, sina humör och personligheter, och hur starkt de kände sig påverkade av kamrater. De kartlade sina sociala nätverk och angav vem i deras campusgrupp som drack mest eller hade stort socialt inflytande. Vissa genomgick också hjärnavbildning medan de tittade på alkoholrelaterade och sociala bilder. Teamet matade in alla dessa ”multimodala” data—psykologiska, sociala, neurala och demografiska—i flera maskininlärningsmodeller. Målet var att se om en dator kunde lära sig att sortera studenter i ”responders”, som minskade antalet dricktillfällen per vecka med mer än ett, och ”non-responders”, som inte gjorde det.

Vad du tror att dina vänner dricker förutsäger förändring

Överraskande nog var de starkaste prediktorerna inte hjärnavbildningar eller detaljerade personlighetstester, utan bara fem frågor om uppfattat kamratdrickande. Studenterna uppskattade hur ofta och hur mycket de som drack mest i deras grupp konsumerade alkohol, och hur godkännande deras grupp verkade vara gentemot drickande och hetsdrickande. Med bara denna lilla uppsättning svar lyckades en random forest-modell korrekt skilja responders från non-responders ungefär 71 % av gångerna i det första studentprovet—vilket når eller överstiger gränser som tidigare digitala hälsostudier anser vara användbara för att vägleda vård. När samma modell testades på ett andra, oberoende prov presterade den fortfarande på en liknande nivå, vilket tyder på att resultaten inte var en tillfällighet för en grupp eller tidsperiod.

Den perfekta målgruppen: måttliga, frekventa drickare

Vid närmare granskning fungerade interventionen bäst för studenter som såg sina mest frekventa drickande kamrater som regelbundna men inte extrema drinkare—ungefär en till två dricktillfällen per vecka och ett par drinkar varje gång. De som uppfattade sina vänner som mycket sällan drickande var mindre benägna att förändras, kanske eftersom drickandet redan var ovanligt i deras kretsar. De som trodde att deras vänner drack mycket kraftigt fick inte heller lika stor nytta, möjligen för att det sociala trycket att dricka var för starkt för att korta textpåminnelser skulle motverka. Slående nog var det dessa uppfattningar som spelade roll, inte kamraternas faktiska självrapporterade drickande. Studenter tenderade att underskatta hur mycket deras mest drickande vänner faktiskt drack, men deras föreställningar påverkade ändå vem som svarade på interventionen.

Vad detta betyder för vardagen

För icke‑specialister är slutsatsen att våra föreställningar om vad vänner gör kan starkt påverka hur väl enkla digitala verktyg hjälper oss att minska alkoholintaget. Ett kort frågeformulär om uppfattat kamratdrickande—en billig och lättlevererad åtgärd—räckte för att algoritmer skulle kunna göra någorlunda precisa förutsägelser om vem som skulle dra nytta av ett textbaserat distanseringsprogram. I framtiden skulle appar kunna använda bara ett fåtal frågor om din sociala krets för att avgöra om de ska erbjuda ett standardprogram, en mer intensiv version eller en annan typ av stöd. Även om mer arbete behövs i större och mer mångsidiga grupper visar denna forskning att smartare, mer personligt anpassad digital hjälp för alkoholbruk kan vara bara några väl valda frågor bort.

Citering: Fuchs, M., Boyd, Z.M., Schwarze, A. et al. Predicting individual differences in digital alcohol intervention effectiveness through multimodal data. npj Digit. Med. 9, 170 (2026). https://doi.org/10.1038/s41746-026-02356-4

Nyckelord: digital alkoholintervention, uppfattningar om vänners drickande, psykologisk distansering, maskininlärning inom hälsa, studiefestdrickande