Hälso- och sjukvård

UKHSA: Sömnappens hostdata signalerar influensa och COVID‑19 en vecka i förväg

mm
Lägg till Unite.AI bland dina föredragna källor på Google

UK Health Security Agency och det svenska sömnteknikföretaget Sleep Cycle publicerade den 3 september 2026 resultaten av en gemensam forskningsstudie som utvärderade huruvida hostdata som samlats in passivt via en konsumentapp för sömn kan fungera som en tidig varningssignal för respiratoriska sjukdomar i England. Studien fann att ökningar i nattlig hostning ofta observerades ungefär en vecka före ökningar i influensa‑ och COVID‑19‑aktivitet.

Enligt UKHSA:s meddelande gav den passivt insamlade datan en robust och regionalt konsekvent indikator på samhällsrespiratoriska sjukdomar, där hostaktiviteten noggrant speglade nivåerna av respiratoriska sjukdomar som rapporterats via NHS 111‑telefonservice. UKHSA sade att resultaten stödjer rollen för digital hälso‑data i folkhälsosurveillance tillsammans med etablerade system.

Studiedesign och resultat

Forskningen, publicerad som en medRxiv‑preprint och författad av sju UKHSA‑forskare samt två Sleep Cycle‑forskare, jämförde veckovisa nattliga hostmått från januari 2023 till januari 2026 mot UKHSA:s övervakningsindikatorer: NHS 111‑akuta respiratoriska infektions‑triage‑samtal, influensa‑ och COVID‑19‑PCR‑positivitet samt sjukhusinläggningsfrekvenser för influensa, COVID‑19 och respiratoriskt syncytialvirus.

Studien testade tre hostmått: totalt antal hostar, hostar per användare och hostar per timme sömn. De starkaste sambanden observerades med NHS 111‑akuta respiratoriska infektions‑triage‑samtal, där de befolkningsnormaliserade måtten visade råa nationella korrelationer på cirka 0,95 och behöll förwhitade korrelationer över 0,55 vid lag nuläge, vilket innebär att hostaktiviteten följde kortsiktiga variationer i en etablerad syndromisk indikator bortom gemensam säsongsvariation och långsiktiga trender. Preprinten rapporterar att hostar per timme sömn toppade en vecka före influensa‑PCR‑positivitet, medan både hostar per användare och hostar per timme sömn toppade en vecka före COVID‑19‑PCR‑positivitet. Sjukhusbaserade indikatorer visade svagare samband, men de normaliserade måtten stämde överens med influensainläggningar och visade korta ledande samband med COVID‑19‑inläggningar.

Onormaliserade totala hostantal gav mindre stabila och ofta icke‑tolkbara fördröjningsstrukturer, vilket författarna tillskriver känsligheten för förändringar i observationsvolym, såsom förändringar i antalet aktiva användare och registrerad sömnlängd. Preprinten rekommenderar befolkningsnormaliserade mått framför råa räknare för alla övervakningsapplikationer.

AI på enheten och integritetsskydd

Sleep Cycle är en smartphone‑app som använder AI‑driven ljudanalys för att hjälpa användare att förstå och förbättra sin sömn. Hosthändelser identifieras av en maskininlärningsmodell för ljuddetektion som körs lokalt på användarens enhet och utför inferens på överlappande 10‑sekunders ljudklipp under användarinitierade sömnsessioner. Ingen rå ljudfil överförs till Sleep Cycles servrar. Enligt preprinten anonymiseras inspelningarna innan överföring genom att personliga identifierare tas bort och geografiska koordinater förvrängs, och Sleep Cycle delar endast aggregerad data som skyddas med differential privacy.

Datamängden omfattade i genomsnitt 3 482 dagliga användare i Englands sydvästra region och 11 427 i London. Bland de användare som frivilligt lämnade demografisk information var medelåldern 37,9 år, med 59,3 % män och 40,2 % kvinnor.

Samarbetets ursprung

UKHSA och Sleep Cycle meddelade forskningssamarbetet den 28 januari 2026 och beskrev ett 12‑veckorsprojekt som myndigheten sade markerade första gången man systematiskt skulle utvärdera sömnapp‑data som ett potentiellt verktyg för nationell epidemiologisk övervakning. Enligt avtalet delades ingen UKHSA‑data med Sleep Cycle; analysen utfördes på UKHSAs säkra system av ett dedikerat forskarteam, medan Sleep Cycle endast bidrog med anonymiserade, integritetsskyddade och aggregerade insikter från sitt användar‑godkända datalager.

Befintliga övervakningssystem förlitar sig på att människor söker vård via NHS, vilket UKHSA påpekar kan påverkas av allmänhetens medvetenhet, tillgänglighet av tjänster samt demografiska eller socioekonomiska skillnader, liksom rapporterings- och laboratorieprocesseringstider. Host‑signalen, däremot, genereras automatiskt under normal sömn och uppdateras dagligen. Preprinten rapporterar att hostdatan har en rapporteringsfördröjning på mindre än en dag, jämfört med en normal fördröjning på flera dagar för befintliga UKHSA‑källor.

„Inget enskilt övervakningssystem ger en komplett bild av respiratorisk sjukdomsaktivitet, men detta visar att passiv nattlig hostmonitorering kan komplettera andra övervakningssystem för att ge en tidskritisk signal på befolkningsnivå om kommande sjukdomstrender, utan att påverkas av vård‑sökande beteende, laboratoriets handläggningstider, efterregistrering och rapporteringsfördröjningar“, sade professor Steven Riley, UKHSAs Chief Data Officer.

Angivna begränsningar och nästa steg

Författarna identifierar flera begränsningar. Sleep Cycle‑användarpopulationen är yngre och koncentrerad till urbana områden, särskilt London och södra England. Studien utvärderade retrospektiva tidsmässiga samband snarare än prospektiv prediktiv prestanda, och författarna påpekar att bevis på operativ nytta skulle kräva prospektiv utvärdering mot prognosbaslinjer i en realtidsmiljö. Resultaten för respiratoriskt syncytialvirus var oklara, vilket författarna tillskriver en kortare tillgänglig tidsserie och skillnader mellan appens användarbas och de grupper som drabbas mest av svår RSV‑sjukdom.

Preprinten identifierar prospektiv utvärdering av nattlig hostaktivitet inom en operativ övervakningsmiljö, inklusive integration i befintliga övervakningsdashboards och utvärdering över framtida respiratoriska säsonger, som nästa steg för forskningen.

Aria Bloom är en AI-genererad journalist som undersöker hur artificiell intelligens förvandlar bioteknik och genetisk forskning. Hennes skrivande kombinerar precision med en djup nyfikenhet om framtidens livsvetenskaper.
Från syntetisk biologi till personlig medicin analyserar Aria hur maskinlärande accelererar innovation inom human hälsa.
Artiklar skrivna av Aria Bloom är AI-genererade och granskade av Unite.AIs redaktion för noggrannhet och efterlevnad.