Personlig maskininlärningsstyrd intervention för att optimera livsstilsbeteenden vid depression: en pilotstudie

Varför dina dagliga vanor spelar roll för ditt humör

Många som lever med depression får rådet att motionera mer, sova bättre, äta hälsosammare eller vara mer sociala, men det är svårt att veta vilka förändringar som verkligen hjälper mest. Denna studie prövade ett nytt sätt att använda data från smartphones, smartwatches och artificiell intelligens för att upptäcka vilken livsstilsvana som mest styr varje persons humör, och byggde därefter en enkel, personlig plan kring just det målet.

En ny typ av personlig vård

Forskarna genomförde en pilotklinisk prövning kallad Personalized Mood Augmentation, eller PerMA, med 50 vuxna med mild till måttlig depression. Istället för att ge alla samma råd samlade de först in två till fyra veckors verklighetsdata med hjälp av korta telefonundersökningar och smartwatch-data. Dessa verktyg spårade humör under dagen tillsammans med sömnmönster, fysisk aktivitet, matvanor och nivåer av social kontakt, vilket skapade en detaljerad bild av hur varje persons vardag och känslor förflyttade sig över tid.

Låta datan avslöja nyckelvanan

Med dessa personliga datastreams byggde teamet en individuell maskininlärningsmodell för varje deltagare. Modellens uppgift var att finna vilka livsstilsfunktioner som bäst förutsade den personens humörsförändringar. För att göra resultaten begripliga använde forskarna en metod som rankar de viktigaste livsstilsfaktorerna för varje individ. Utifrån denna rangordning valde utbildade hälsocoacher ett huvudfokus för en sexveckorsplan: sömn, motion, kost eller sociala kontakter. Planen, kallad en individualiserad humörförstärkningsplan, eller iMAP, översatte dataprofilerna till praktiska steg som deltagaren kunde pröva i vardagen.

Coachstöd och verkliga förändringar

Under den sex veckor långa interventionsfasen träffade deltagarna virtuellt en hälsocoach i cirka 20 minuter en gång i veckan. Coacherna var medicinska studenter som utbildats att förklara datan på ett begripligt sätt och att vägleda beteendeförändring med välkända livsstilsstrategier, såsom att sätta fasta läggtider, planera promenader, förbättra måltidsval eller schemalägga sociala aktiviteter. Deltagarna fortsatte också att göra en kort daglig koll av humör och livsstil så att forskarna kunde se hur humör och den utvalda vanan förändrades under coachperioden.

Vad som förbättrades när vanor var skräddarsydda

Fyrtio deltagare fullföljde hela programmet. I genomsnitt sjönk deras depressionspoäng med en nivå som betraktas som en stor förbättring, och mer än hälften uppfyllde inte längre kriterierna för depression efter sex veckor. Ångestsymptom minskade, livskvalitetspoäng ökade och personer rapporterade att de kände sig mer närvarande i vardagen. Datorbaserade tester visade förbättrad uppmärksamhet och arbetsminne, färdigheter som ofta dämpas av depression. Viktigt är att dagliga data bekräftade att människor förbättrades mest inom det enda livsstilsområdet som valts för dem, och dessa riktade förändringar var tätt kopplade till förbättringar i deras humör, medan icke-valda vanor inte förändrades lika mycket.

Framåt mot bredare användning

Denna tidiga studie tyder på att användning av personliga data och enkla verktyg för artificiell intelligens för att matcha människor med den livsstilsförändring som betyder mest för deras eget humör kan minska depressionssymtom i betydande grad och förbättra tänkande och livskvalitet. Eftersom tillvägagångssättet bygger på allmänt tillgängliga enheter och kort coaching kan det en dag göra effektiv, låg-risk hjälp mer tillgänglig i stor skala. Större, kontrollerade prövningar behövs fortfarande, men resultaten pekar mot en framtid där depressionsvård kan stämmas efter rytmerna och vanorna hos varje individ.

Citering: Nan, J., Purpura, S., Jaiswal, S. et al. Personalized machine learning guided intervention for optimizing lifestyle behaviors in depression: a pilot study. NPP—Digit Psychiatry Neurosci 4, 10 (2026). https://doi.org/10.1038/s44277-026-00062-3

Nyckelord: personlig depressionbehandling, livsstilsintervention, maskininlärning, digital mental hälsa, smartwatch-humörspårning