Akıllı telefon hareket verileri, zamanında sigarayı bırakma desteği sağlamak için sigara içme nükslerini ve istekleri güvenilir şekilde öngörebilir

Telefonunuzun sigarayı bırakmanıza nasıl yardımcı olabileceği

Birçoğumuz cepimizde güçlü bir sensör paketini ikinci bir düşünce bile etmeden taşıyoruz: akıllı telefonumuzu. Bu çalışma, kişisel sonuçları büyük olan basit bir soruyu soruyor: telefonunuzun halihazırda kaydettiği küçük hareketler, yardım zamanında ulaşabilsin diye sigara içme isteğinin yükselmekte olduğunu ya da eski alışkanlıklara geri dönme eğiliminin başladığını sessizce haber verebilir mi?

Sigara tetikleyicilerinden sessiz sinyallere

Yıllardır sigarayı bırakmaya çalışan araştırmacılar, birinin nerede olduğuna, kimlerle birlikte bulunduğuna veya günün hangi saatinde olduğuna gibi açık tetikleyicilere odaklandı. Bu ipuçları yararlı ama kusurlu; ayrıca genellikle insanların kendi isteklerini ve nükslerini bildirmesine dayanıyor ki bu raporlar yanlış veya eksik olabiliyor. Akıllı telefonlar ve giyilebilir cihazlar nasıl hareket ettiğimize dair ayrıntılı bilgileri pasif olarak toplamayı mümkün kıldı, ancak bu zengin hareket verisi, laboratuvar dışındaki sigara davranışını anlamak için nadiren kullanıldı.

Basit bir uygulama ve aylar süren gerçek yaşam verisi

Araştırma ekibi, Birleşik Krallık’ta günlük sigara içen 17 kişiden kendi telefonlarına temel bir uygulama yüklemelerini istedi. Katılımcılar iki hafta boyunca her sigara içtiklerinde uygulamadaki tek bir düğmeye bastı. Ardından bırakmayı denediler ve üç ay boyunca herhangi bir nüksetmeyi kaydettiler ve istekleri güçlü olduğunda ya da en azından günde bir kez isteği derecelendirdiler. Her iki aşama boyunca uygulama üç yerleşik sensörden gelen hareketleri (ivmeölçer, jiroskop ve manyetometre) ile ışık düzeyi ve günün saatini sessizce kaydetti. Telefonlar insanların istedikleri şekilde taşındı; belirli bir vücut parçasına sabitlenmedi, bu da verilerin laboratuvar koşulları yerine doğal günlük yaşamı yansıtmasını sağladı.

Riskli anları tanıması için bir model eğitmek

Bu ince hareket desenlerinin sigara ile ilgili olayları önceden haber verip veremeyeceğini görmek için bilim insanları sensör kayıtlarını örtüşmeyen beş dakikalık dilimlere böldü ve her dilimi uygulama raporlarına dayanarak sigara, istek ya da hiçbirine olarak etiketledi. Ardından zaman serisi verilerindeki desenleri tespit etmek için tasarlanmış birkaç modern yapay zeka modelini karşılaştırdılar. En iyi performans gösteren, üst üste yığılmış iki derin öğrenme tekniğini birleştiren bir modeldi. Sadece üç hareket sensöründen gelen hareket verileri sağlandığında, bu model ön- bırakma döneminde bir sigara olayının sonraki beş dakika içinde gerçekleşip gerçekleşmeyeceğini yaklaşık yüzde 85 doğrulukla tahmin etti. Ayrıca takip eden üç ay boyunca yüksek istek anlarını ve nüksleri işaretlemede yaklaşık yüzde 77–78 doğruluk seviyelerine ulaştı.

Farklı insanlar arasında işe yarayan desenler

Önemli sorulardan biri, bu hareket desenlerinin her kişiye özgü olup olmadığı yoksa içiciler arasında paylaşılıp paylaşılmadığıydı. Bunu test etmek için ekip modeli, bırakma öncesi verilerinden bir katılımcı hariç herkesin verileriyle eğitti, ardından modelden bırakma dönemindeki kalan kişinin nükslerini ve isteklerini tahmin etmesini istedi. Grup boyunca bu şekilde döndürerek, model yine de iyi performans gösterdi: ortalamada yüksek riskli ile düşük riskli beş dakikalık pencereleri iyi ayrıştırdığını gösterecek bir skorla ayırt edebiliyordu. Özellikle istekleri tahmin etmede güçlüydü; bu, insanların sigaraya dokunmadan önce nasıl hareket ettiklerinde ortaya çıkan ince değişikliklerin güvenilir bir uyarı işareti olabileceğini düşündürüyor.

Neden küçük hareketler zaman ve mekandan daha önemli olabilir

Belki şaşırtıcı şekilde, hareket sensörleri sıklıkla sigara araştırmalarında ana ipuçları olarak ele alınan günün saati veya ışık düzeyi gibi daha geleneksel belirleyicilerden daha iyi performans gösterdi. Tek başına günün saati en zayıf tahmin edici oldu. Çevresel faktörlerden etkilenebilen manyetometre yararlı bilgi sağladı ancak yalnızca ivmeölçer ve jiroskopa eklendiğinde performansı hafifçe artırdı. Telefonlar serbest bir şekilde kullanıldığından ve sabit bir taşıma pozisyonu olmadığından, modelin basitçe belirli yerleri veya duruşları öğrenmiş olması olası değil. Bunun yerine, insanların farkında olmasa bile istek ve nükslerden önce gelen geniş, tekrarlanabilir günlük hareket desenlerini yakaladığı anlaşılıyor.

Bırakmaya çalışan insanlar için bunun anlamı ne olabilir

Sigarayı bırakmaya çalışan biri için en tehlikeli anlar genellikle kısa sürelidir; istekler zirve yapar ve destek gelmeden önce bir sigaraya uzanmak kolaydır. Bu çalışma, sıradan akıllı telefonlar tarafından zaten toplanan hareket verilerinin, GPS konumu veya ayrıntılı kişisel geçmişe ihtiyaç duymadan bu anları birkaç dakika önceden tespit eden bir erken uyarı sistemine dönüştürülebileceğini gösteriyor. Gelecekte bu tür modeller, hareketlerinizdeki riskli desenleri sessizce izleyen ve ihtiyacınız olduğunda zamanında cesaretlendirme, araçlar veya iletişimlerle devreye giren sigarayı bırakma uygulamalarını güçlendirebilir; aynı fikir sonunda diğer sağlıkla ilgili alışkanlıklara da yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: sigarayı bırakma, akıllı telefon sensörleri, istek tahmini, derin öğrenme, dijital sağlık