En systematisk undersökning av digitala biomarkörer för upptäckt av depressiva episoder vid bipolär sjukdom

Varför din telefon och en ring kan varna för en nedgång

För många som lever med bipolär sjukdom kan depressiva episoder verka komma utan förvarning och rubba arbete, relationer och vardag. Denna studie ställer en enkel fråga med långtgående konsekvenser: kan mönster i vardagsdata — från en bärbar ring som följer aktivitet och sömn, plus mycket korta dagliga stämningskontroller — på ett tillförlitligt sätt signalera när någon har gått från en stabil fas in i depression? Om svaret är ja skulle teknik som människor redan bär med sig kunna hjälpa patienter och kliniker att reagera tidigare, långt innan en kris tvingar fram behandling.

Följa verkliga livet över månader, inte minuter

Forskarna följde 133 vuxna med bipolär typ I eller II under en medianperiod på cirka åtta månader. Deltagarna bar en Oura-ring, en kommersiellt tillgänglig enhet som kontinuerligt registrerar rörelse och sömn, och fyllde i mycket korta dagliga bedömningar av sin stämning, energi och ångest via e-post. En gång i veckan fyllde de också i ett standardiserat depressionsformulär som används i kliniker. Med hjälp av dessa veckovisa formulär markerade teamet när en deltagare gick in i en depressiv episod — definierad som minst två veckor i följd med kliniskt signifikanta symtom — och när denne befann sig i ett stabilt, eller eutymsikt, tillstånd. Det skapade långa, detaljerade "strömningar" av beteende och känslor över goda och dåliga perioder.

Att förvandla tusentals datapunkter till några tydliga signaler

Från rådata skapade forskarna 49 grundläggande variabler (såsom daglig stegrelaterad aktivitet, insomningstid och genomsnittlig stämningsbedömning) över flera tidsskalor, och extraherade sedan sju matematiska deskriptorer för hur varje variabel beter sig över tid. Dessa deskriptorer fångade inte bara nivåer, utan också i vilken grad ett mått svajade från dag till dag, hur extrema svängningarna var och hur lik en dag var den föregående. Resultatet blev 343 kandidater till ”digitala biomarkörer” som beskrev mönster i sömn, aktivitet samt självrapporterad stämning, energi och ångest. De använde förklarliga maskininlärningsmetoder — algoritmer som både kan klassificera mönster och visa vilka indata som betydde mest — för att se vilka kombinationer som bäst skilde depressiva dagar från stabila.

Hur depression såg ut i dagliga mönster

Bland alla signaler var dagliga självskattningar den starkaste enskilda informationskällan. Modeller som endast använde de tre dagliga reglagen för stämning, energi och ångest skilde depressiva episoder från stabila perioder med hög noggrannhet (en area under ROC-kurvan på cirka 0,82, där 1,0 är perfekt och 0,5 inte bättre än slumpen). Under depressiva episoder skattade människor sin stämning och energi tydligt lägre. Samtidigt fluktuerade deras poäng inom ett snävt lågt intervall — vilket gav ett statistiskt mönster som författarna kallar ett relativt–absolut variabilitetparadox: stämning och energi såg mer ”variabla” ut när de mättes relativt till sitt låga medelvärde, men i absoluta termer kände sig människor ihållande låga och ”fastnade”. Med andra ord liknade depression här en långvarig, platt dal snarare än skarpa upp- och nedgångar.

Subtila förändringar i rörelse och sömn spelar ändå roll

Även utan självskattningar bar den bärbara ringen på användbara ledtrådar. Depressiva episoder kopplades till mindre dag-till-dag-variation i total aktivitet — människors rörelsenivåer var mer enhetligt låga. Sömnmönstren förändrades också. Tiden det tog att somna varierade mer vilt från natt till natt, medan mått på djupsömn tenderade att visa färre extrema svängningar. Även om aktivitets- och sömnbaserade modeller var mindre precisa än de som använde dagliga stämningsrapporteringar, överträffade de fortfarande slumpen och var robusta över många statistiska tester, vilket tyder på att kroppens rytmer själva blir mer stela och mindre anpassningsbara under depressiva faser.

Från beskrivning till tidiga varningssystem

Författarna betonar att detta arbete är ett tidigt men viktigt steg: det fokuserar på att noggrant beskriva när en person är deprimerad, inte ännu på att prognostisera episoder innan de börjar. Ändå är bilden som framträder intuitivt igenkännbar: under depressiva episoder känner sig människor konsekvent sämre och mindre energiska, rör sig mindre och mer monotont och upplever mer oregelbundna läggtider. Eftersom de viktigaste digitala biomarkörerna de identifierade är relativt enkla — dag-till-dag-variabilitet i stämning, aktivitet och insomningstid — skulle de så småningom kunna byggas in i appar eller kliniska instrumentpaneler. För patienter kan det innebära att en telefon och en ring tyst följer dessa mönster i bakgrunden och varnar dem och deras kliniker när vardagsrytmerna börjar likna tidigare depressioner, vilket öppnar dörren för mer tidsnära och personligt anpassad vård.

Citering: Halabi, R., Mulsant, B.H., Tolend, M. et al. A systematic exploration of digital biomarkers for the detection of depressive episodes in bipolar disorder. npj Mental Health Res 5, 13 (2026). https://doi.org/10.1038/s44184-026-00195-5

Nyckelord: bipolär sjukdom, digitala biomarkörer, bärbara sensorer, upptäckt av depression, digital fenotypering