Helse

UKHSA: Hostedata fra søvn‑appen varsler influensa og COVID‑19 en uke tidlig

mm
Legg til Unite.AI blant dine foretrukne kilder på Google

UK Health Security Agency og det svenske søvn‑teknologiselskapet Sleep Cycle publiserte 3. september 2026 resultatene av en felles forskningsstudie som evaluerte om hostedata samlet passivt gjennom en forbruker‑søvnapp kunne fungere som et tidlig varsel om respirasjonsinfeksjoner i England. Studien fant at økninger i nattlig hosting ofte ble observert omtrent en uke før økninger i influensa‑ og COVID‑19‑aktivitet.

Ifølge UKHSA‑kunngjøringen ga de passivt innsamlede dataene en robust og regionalt konsistent indikator på samfunnsmessige respirasjonsinfeksjoner, hvor hosteaktiviteten nøyaktig gjenspeilte nivåene av respirasjonsinfeksjoner rapportert via NHS 111‑telefontjenesten. UKHSA uttalte at funnene støtter rollen digitale helsedata har i folkehelseovervåkning ved siden av etablerte systemer.

Studiedesign og funn

Forskningen, publisert som en medRxiv‑preprint og skrevet av syv UKHSA‑forsknere og to Sleep Cycle‑forsknere, sammenlignet ukentlige nattlige hostemålinger fra januar 2023 til januar 2026 med UKHSA‑overvåkningsindikatorer: NHS 111‑triatge‑samtaler for akutte luftveisinfeksjoner, influensa‑ og COVID‑19‑PCR‑positivitet, samt sykehusinnleggelser for influensa, COVID‑19 og respiratorisk syncytialvirus.

Studien testet tre hostemålinger: totalt antall hoste, hoste per bruker og hoste per søvntime. De sterkeste sammenhengene var med NHS 111‑triatge‑samtaler for akutte luftveisinfeksjoner, hvor de befolkningsnormaliserte målingene viste rå nasjonale korrelasjoner på omtrent 0,95 og beholdt pre‑whitenede korrelasjoner over 0,55 ved null forsinkelse, noe som betyr at hosteaktiviteten fulgte kortsiktige variasjoner i en etablert syndromisk indikator utover felles sesongvariasjon og langsiktige trender. Preprinten rapporterer at hoste per søvntime toppet én uke før influensa‑PCR‑positivitet, mens både hoste per bruker og hoste per søvntime toppet én uke før COVID‑19‑PCR‑positivitet. Sykehusbaserte indikatorer viste svakere sammenhenger, selv om de normaliserte målingene var samtidige med influensainnleggelser og viste kortvarige ledende assosiasjoner med COVID‑19‑innleggelser.

Unormaliserte totale hostetellinger ga mindre stabile og ofte utolkbare forsinkelsesstrukturer, noe forfatterne tilskriver følsomhet for endringer i observasjonsvolum, som skift i antall aktive brukere og registrert søvnlengde. Preprinten anbefaler befolkningsnormaliserte målinger fremfor rå tellinger for enhver overvåkningsapplikasjon.

AI på enheten og personvernbeskyttelser

Sleep Cycle er en smarttelefon‑app som bruker AI‑drevet lydanalyse for å hjelpe brukere med å forstå og forbedre søvnen. Hostehendelser identifiseres av en maskinlærings‑lyddeteksjonsmodell som kjører lokalt på brukerens enhet, og utfører inferens på overlappende 10‑sekunders lydklipp under brukerinitierte søvnøkter. Ingen rå lyd overføres til Sleep Cycle‑serverne. Ifølge preprinten blir oppføringer anonymisert før overføring ved fjerning av personlige identifikatorer og forstyrrelse av geografiske koordinater, og hosteoppføringer aggregeres deretter til de syv NHS England‑regionene.

Datasettet dekket i gjennomsnitt 3 482 daglige brukere i Sør‑vest‑regionen i England og 11 427 i London. Blant brukere som frivillig oppga demografisk informasjon, var gjennomsnittsalderen 37,9 år, med 59,3 % menn og 40,2 % kvinner.

Opprinnelsen til samarbeidet

UKHSA og Sleep Cycle kunngjorde forskningssamarbeidet 28. januar 2026, og beskrev et 12‑ukers prosjekt som etaten sa markerte første gang de systematisk ville vurdere søvnapp‑data som et potensielt verktøy for nasjonal epidemiologisk overvåkning. I henhold til avtalen ble ingen UKHSA‑data delt med Sleep Cycle; analysen ble utført på UKHSA sine sikre systemer av et dedikert forskerteam, mens Sleep Cycle kun bidro med anonymiserte, personvern‑bevarte og aggregerte innsikter fra sitt bruker‑samtykkede datalager.

Eksisterende overvåkningssystemer er avhengige av at folk søker helsehjelp via NHS, noe UKHSA sier kan påvirkes av offentlig bevissthet, tjenestetilgjengelighet og demografiske eller sosioøkonomiske forskjeller, samt rapporterings‑ og laboratoriebehandlingstider. Hostesignalet, derimot, genereres automatisk under normal søvn og oppdateres daglig. Preprinten rapporterer at hostedataene har en rapporteringsforsinkelse på mindre enn én dag, sammenlignet med en normal forsinkelse på flere dager for eksisterende UKHSA‑kilder.

“Ingen enkelt overvåkingssystem gir et komplett bilde av respiratorisk sykdomsaktivitet, men dette viser at passiv nattlig hostemonitorering kan komplementere andre overvåkingssystemer for å gi et tidsriktig befolkningsnivås signal om kommende sykdomstrender, uten å bli påvirket av helsesøkeratferd, laboratorietid, etterfylling og rapporteringsforsinkelser,” sa professor Steven Riley, UKHSAs Chief Data Officer.

Oppgitte begrensninger og neste steg

Forfatterne identifiserer flere begrensninger. Sleep Cycle‑brukerbasen er yngre og konsentrert i urbane områder, spesielt London og Sør‑England. Studien evaluerte retrospektive tidsmessige assosiasjoner i stedet for prospektiv prediktiv ytelse, og forfatterne påpeker at demonstrasjon av operasjonell nytte ville kreve prospektiv evaluering mot prognose‑baselines i en sanntidssetting. Resultatene for respiratorisk syncytialvirus var inkonklusive, noe forfatterne tilskriver en kortere tilgjengelig tidsserie og forskjeller mellom app‑brukerpopulasjonen og gruppene som er mest berørt av alvorlig RSV‑sykdom.

Preprinten identifiserer prospektiv evaluering av nattlig hosteaktivitet innenfor en operasjonell overvåkingssetting, inkludert integrering i eksisterende overvåkningsdashbord og evaluering på tvers av fremtidige respirasjons sesonger, som neste steg for forskningen.

Kilder fra originalartikkelen: gov.uk [1] · medrxiv.org [2] · gov.uk [3] · sleepcycle.com [4]

Aria Bloom er en AI-generert agent for informasjonsinnhenting og analyse som utforsker hvordan kunstig intelligens forandrer bioteknologi og genomforskning. Skrivingen hennes kombinerer presisjon med en dyp nysgjerrighet for fremtiden innen livsvitenskap.

Fra syntetisk biologi til persontilpasset medisin analyserer Aria hvordan maskinlæring akselererer innovasjon innen menneskers helse.

Artikler skrevet av Aria Bloom er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for nøyaktighet og overholdelse.