Sundhedsvæsen

UKHSA: Hostedata fra søvn‑app signalerer influenza og COVID‑19 en uge tidligt

mm
Føj Unite.AI til dine foretrukne kilder på Google

Den britiske sundhedssikkerhedsagentur UKHSA og det svenske søvn‑teknologifirma Sleep Cycle offentliggjorde den 3. september 2026 resultaterne af en fælles forskningsundersøgelse, der evaluerede, om hostedata indsamlet passivt via en forbruger‑søvnapp kan fungere som et tidligt varsel om luftvejssygdomme i England. Undersøgelsen viste, at stigninger i natlige hoste ofte blev observeret omkring en uge før stigninger i influenza‑ og COVID‑19‑aktivitet.

Ifølge UKHSA‑meddelelse leverede de passivt indsamlede data en robust og regionalt konsistent indikator for samfundets luftvejssygdomme, hvor hosteaktiviteten tæt afspejlede niveauerne af luftvejssygdomme rapporteret via NHS 111‑telefonservice. UKHSA udtalte, at resultaterne understøtter digital sundhedsdatasy’s rolle i folkesundhedsovervågning ved siden af etablerede systemer.

Undersøgelsesdesign og resultater

Forskningsarbejdet, offentliggjort som en medRxiv‑preprint og skrevet af syv UKHSA‑forsker og to Sleep Cycle‑forsker, sammenlignede ugentlige natlige hostemålinger fra januar 2023 til januar 2026 med UKHSAs overvågningsindikatorer: NHS 111‑opkald om akut luftvegsinfektion, influenza‑ og COVID‑19‑PCR‑positivitet samt hospitalsindlæggelsesrater for influenza, COVID‑19 og respiratorisk syncytialvirus.

Undersøgelsen testede tre hostemålinger: samlet antal hoste, hoste pr. bruger og hoste pr. søvntime. De stærkeste sammenhænge var med NHS 111‑opkald om akut luftvegsinfektion, hvor de befolkningsnormaliserede målinger viste rå nationale korrelationer på omkring 0,95 og bevarede forud‑whitente korrelationer over 0,55 ved nul forsinkelse, hvilket betyder, at hosteaktiviteten fulgte kort‑sigtet variation i en etableret syndromisk indikator ud over fælles sæsonbetingelser og langsigtede tendenser. Preprinten rapporterer, at hoste pr. søvntime toppede en uge før influenza‑PCR‑positivitet, mens både hoste pr. bruger og hoste pr. søvntime toppede en uge før COVID‑19‑PCR‑positivitet. Hospitalbaserede indikatorer viste svagere relationer, selvom de normaliserede målinger samtidigt matchede influenzaindlæggelser og viste kortvarige førende sammenhænge med COVID‑19‑indlæggelser.

Uden normalisering af samlede hostetal gav mindre stabile og ofte ufortolkelige forsinkelsesstrukturer, som forfatterne tilskriver følsomhed over for ændringer i observationsvolumen, såsom skift i antallet af aktive brugere og registreret søvnlængde. Preprinten anbefaler befolkningsnormaliserede målinger frem for rå tællinger i enhver overvågningsapplikation.

AI på enheden og beskyttelse af privatliv

Sleep Cycle er en smartphone‑app, der bruger AI‑drevet lydanalyse til at hjælpe brugerne med at forstå og forbedre deres søvn. Hostebegivenheder identificeres af en maskinlærings‑lyddetekteringsmodel, der kører lokalt på brugerens enhed og udfører inferens på overlappende 10‑sekunders lydklip under brugerinitierede søvnsessioner. Ingen rå lyd overføres til Sleep Cycles servere. Ifølge preprinten anonymiseres dataene før transmission ved fjernelse af personlige identifikatorer og forstyrrelse af geografiske koordinater, og Sleep Cycle deler kun aggregerede data, der er beskyttet med differentiel privatlivsbeskyttelse.

Datasættet omfattede i gennemsnit 3.482 daglige brugere i det sydvestlige England og 11.427 i London. Blandt de brugere, der frivilligt leverede demografiske oplysninger, var gennemsnitsalderen 37,9 år, med 59,3 % mænd og 40,2 % kvinder.

Samarbejdets oprindelse

UKHSA og Sleep Cycle annoncerede forskningssamarbejdet den 28. januar 2026 og beskrev et 12‑ugers projekt, som agenturet sagde markerede første gang, de systematisk ville vurdere søvnapp‑data som et potentielt værktøj til national epidemiologisk overvågning. I henhold til aftalen blev ingen UKHSA‑data delt med Sleep Cycle; analysen blev udført på UKHSAs sikre systemer af et dedikeret forskerteam fra agenturet, mens Sleep Cycle bidrog kun med anonymiserede, privatlivsbeskyttede og aggregerede indsigter fra deres bruger‑samtykkede datalager.

Eksisterende overvågningssystemer er afhængige af, at folk søger behandling via NHS, hvilket UKHSA siger kan påvirkes af offentlig bevidsthed, tilgængelighed af tjenester og demografiske eller socioøkonomiske forskelle samt rapporterings- og laboratoriebehandlingstider. Hostesignalet genereres derimod automatisk under normal søvn og opdateres dagligt. Preprinten rapporterer, at hostedataene har en rapporteringsforsinkelse på mindre end én dag, sammenlignet med en normal forsinkelse på flere dage for eksisterende UKHSA‑kilder.

“Ingen enkelt overvågningssystem giver et fuldstændigt billede af luftvejssygdomsaktivitet, men dette viser, at passiv natlig hostemonitorering kan supplere andre overvågningssystemer for at levere et rettidigt befolknings‑niveau signal om kommende sygdomstendenser, uden at blive påvirket af sundheds‑søgende adfærd, laboratorie‑turnaround‑tider, efterfølgende udfyldning og rapporteringsforsinkelser,” sagde professor Steven Riley, UKHSAs Chief Data Officer.

Angivne begrænsninger og næste skridt

Forfatterne identificerer flere begrænsninger. Sleep Cycle‑brugerbasen er yngre og koncentreret i byområder, især London og det sydlige England. Undersøgelsen evaluerede retrospektive tidsmæssige associationer frem for fremadskuende forudsigelsespræstation, og forfatterne påpeger, at demonstrering af operationel nytte ville kræve fremadskuende evaluering mod prognose‑baselines i en real‑time‑kontekst. Resultaterne for respiratorisk syncytialvirus var uafklarede, hvilket forfatterne tilskriver en kortere tilgængelig tidsrække og forskelle mellem appens brugerpopulation og de grupper, der er mest påvirket af svær RSV‑sygdom.

Preprinten identificerer fremadskuende evaluering af natlig hosteaktivitet inden for en operationel overvågningskontekst, herunder integration i eksisterende overvågnings‑dashboards og evaluering på tværs af kommende luftvejssæsoner, som de næste skridt for forskningen.

Aria Bloom er en AI-genereret journalist, der udforsker, hvordan kunstig intelligens forvandler bioteknologi og genomforskning. Hendes skrivestil kombinerer præcision med en dyb nysgerrighed om fremtiden for livsvidenskab.
Fra syntetisk biologi til personlig medicin analyserer Aria, hvordan maskinlæring accelererer menneskers sundhedsinnovation.
Artikler skrevet af Aria Bloom er AI-genererede og gennemgået af Unite.AIs redaktionelle team for nøjagtighed og overholdelse.