Celem nie było jednak stworzenie aplikacji, która po jednym gorszym dniu wyświetli komunikat: „za tydzień będziesz mieć depresję”. Badacze chcieli najpierw sprawdzić, czy tak rozbudowane monitorowanie jest w ogóle możliwe przez cały rok oraz czy uda się zebrać wystarczająco dużo wiarygodnych danych do późniejszego poszukiwania cyfrowych markerów zdrowia psychicznego. Z urządzeń uzyskano ponad 200 różnych cech dotyczących między innymi snu, ruchu, komunikacji, sposobu korzystania z telefonu, mowy i parametrów fizjologicznych. To ogromna baza, która w kolejnych analizach może pomóc odpowiedzieć na pytanie, czy zmiana codziennych wzorców poprzedza pogorszenie depresji albo lęku na tyle regularnie, aby można było wykorzystać ją jako sygnał ostrzegawczy.
Depresja i zaburzenia lękowe mogą zmieniać codzienne funkcjonowanie na wiele sposobów, zanim człowiek sam nazwie to wyraźnym pogorszeniem. Osoba rozwijająca epizod depresyjny może stopniowo mniej się poruszać, dłużej pozostawać w domu, później chodzić spać, częściej budzić się w nocy albo ograniczać kontakt z innymi ludźmi. Zmianie może ulec także sposób korzystania z telefonu - liczba odblokowań ekranu, czas spędzany w poszczególnych kategoriach aplikacji czy częstotliwość wykonywania połączeń. Smartwatch może równolegle rejestrować poziom aktywności, tętno, zmienność rytmu serca oraz inne parametry fizjologiczne. Pojedynczy sygnał niewiele znaczy, ale wiele drobnych zmian analizowanych razem może w przyszłości stworzyć indywidualny wzorzec charakterystyczny dla pogorszenia samopoczucia.
W Digital Mental Health Study wykorzystano właśnie takie podejście. iPhone dostarczał między innymi informacji dotyczących ruchu pomiędzy zanonimizowanymi lokalizacjami, czasu spędzanego w domu i pracy, aktywności ekranu, liczby połączeń i wiadomości oraz czasu korzystania z różnych kategorii aplikacji. Apple Watch pozwalał natomiast oceniać sen, aktywność, tętno, HRV, częstość oddechów i inne parametry. Badacze nie zakładali jednak, że istnieje jeden uniwersalny „sygnał depresji”. U jednej osoby pogorszenie może przejawiać się ograniczeniem aktywności, u innej problemami ze snem, a jeszcze u kolejnej zwiększonym korzystaniem z telefonu. Właśnie ta indywidualna zmienność jest jednym z największych wyzwań cyfrowej psychiatrii.
Same dane z urządzeń byłyby niewiele warte, gdyby nie można było porównać ich z regularną oceną rzeczywistego stanu psychicznego uczestników. Dlatego co dwa tygodnie wypełniali oni kwestionariusz PHQ-8 służący do pomiaru nasilenia objawów depresyjnych oraz GAD-7 dotyczący objawów lęku uogólnionego. Co pewien czas stosowano również bardziej rozbudowane narzędzia oraz wywiady prowadzone przez przeszkolonych badaczy. Oceniano między innymi stres, jakość snu, dobrostan, odporność psychiczną, anhedonię i występowanie innych problemów psychiatrycznych. Dzięki temu możliwe było zestawianie zmian obserwowanych przez telefon i zegarek z tym, jak w tym samym okresie zmieniały się objawy zgłaszane przez człowieka.
Próba obejmowała osoby o bardzo różnym nasileniu objawów. Na początku około 47 proc. uczestników uzyskało co najmniej 10 punktów w PHQ-8, czyli wynik odpowiadający poziomowi często wykorzystywanemu jako próg wskazujący na istotne objawy depresyjne. Jednocześnie część osób nie spełniała kryteriów żadnego rozpoznania psychiatrycznego, dzięki czemu badacze mogli obserwować zarówno ludzi z nasilonymi objawami, jak i osoby funkcjonujące początkowo stosunkowo dobrze. W ciągu roku u poszczególnych uczestników następowały znaczne zmiany. W grupie rozpoczynającej badanie z niewielkimi objawami 38,6 proc. osób przynajmniej raz później przekroczyło próg 10 punktów w PHQ-8 przy jednoczesnym wzroście wyniku o minimum 5 punktów. Pokazuje to, dlaczego jednorazowy pomiar może nie wystarczać do opisania zdrowia psychicznego.
Zakres informacji wykorzystywanych w badaniu był znacznie szerszy niż liczba kroków czy długość snu. Telefon rejestrował na przykład sposób korzystania z klawiatury: częstotliwość pisania, tempo naciskania klawiszy, liczbę poprawek oraz inne parametry dynamiki pisania. Analizowano również wybrane cechy mowy, takie jak tempo, wysokość głosu czy zmiany intonacji. Dane z przedniej kamery mogły być przetwarzane bezpośrednio na urządzeniu w celu wychwytywania określonych cech mimiki. Jednocześnie urządzenie dostarczało informacji o czasie korzystania z ekranu, liczbie jego odblokowań, ruchu, aktywności fizycznej, snu oraz wzorcach komunikowania się. Łącznie z danych SensorKit i HealthKit wyodrębniono ponad 200 potencjalnie użytecznych parametrów.
Istotne jest jednak to, czego naukowcy nie zbierali. Nie analizowano treści rozmów telefonicznych ani konkretnych wiadomości, nie zapisywano surowych nagrań z mikrofonu i nie przesyłano zdjęć z kamery. W przypadku lokalizacji urządzenie przetwarzało informacje lokalnie, a badacze otrzymywali dane dotyczące przemieszczania się między zanonimizowanymi miejscami zamiast dokładnych współrzędnych GPS. W przypadku tekstu analizowane mogły być określone kategorie lub cechy zachowania, ale bez przekazywania konkretnych wpisywanych słów. Takie rozwiązania pokazują potencjalny kierunek rozwoju cyfrowego monitorowania zdrowia: wydobywanie informacji o zmianie zachowania bez konieczności przekazywania badaczom pełnej treści prywatnego życia użytkownika.
Teoretycznie właśnie na tym opiera się idea cyfrowego fenotypowania. Jeżeli u konkretnej osoby przed pogorszeniem depresji regularnie pojawia się zestaw charakterystycznych zmian - na przykład sen skraca się o godzinę, aktywność spada, człowiek zaczyna rzadziej wychodzić z domu i ogranicza komunikację - algorytm mógłby w przyszłości nauczyć się rozpoznawać ten wzorzec wcześniej niż sam użytkownik. Nie musiałby przy tym ustalać diagnozy. Wystarczyłoby stwierdzenie, że bieżące zachowanie wyraźnie odbiega od osobistej normy. Taki system mógłby zasugerować wypełnienie kwestionariusza, zwrócenie większej uwagi na samopoczucie albo - w przyszłości - kontakt ze specjalistą. Podobne badania na mniejszych grupach już wcześniej wskazywały, że biernie zbierane dane ze smartfonów mogą zawierać informacje związane z późniejszym nasileniem depresji i lęku.
Digital Mental Health Study nie udowodniło jednak jeszcze, że taki alarm można wiarygodnie stworzyć. Opublikowana w 2026 roku praca koncentruje się przede wszystkim na organizacji badania, jakości danych, przebiegu objawów oraz wykazaniu, że tysiące ludzi są w stanie przez wiele miesięcy uczestniczyć w tak intensywnym monitorowaniu. Autorzy wprost zaznaczają, że szczegółowe analizy związku pomiędzy cyfrowymi cechami zachowania a objawami są nadal prowadzone. Dlatego stwierdzenie, że smartwatch „potrafi przewidzieć depresję”, byłoby dziś zdecydowanie zbyt mocne. Badanie stworzyło natomiast niezwykle dużą bazę, na której można sprawdzić, czy takie prognozowanie będzie wystarczająco dokładne, powtarzalne i użyteczne klinicznie.
Jednym z problemów cyfrowej diagnostyki jest ogromne zróżnicowanie zachowania ludzi. Jedna osoba naturalnie śpi sześć i pół godziny, inna osiem. Ktoś pracuje z domu i opuszcza mieszkanie raz dziennie, a inny codziennie przemierza kilkadziesiąt kilometrów. Jedna osoba wykonuje wiele telefonów, druga praktycznie nie korzysta z tej funkcji, ale intensywnie komunikuje się w aplikacjach. Próba stworzenia jednej normy, według której „mniej niż określona liczba kroków oznacza depresję”, prowadziłaby więc do ogromnej liczby błędów. Znacznie bardziej interesujące jest pytanie, czy zachowanie konkretnego człowieka zaczyna znacząco odbiegać od jego własnego typowego rytmu.
Właśnie dlatego roczne obserwacje są tak wartościowe. Pozwalają zebrać wystarczająco dużo informacji, aby poznać indywidualny rytm snu, aktywności, komunikacji czy korzystania z urządzeń, a następnie porównywać go z okresami lepszego i gorszego samopoczucia. Badania cyfrowego fenotypowania coraz częściej wskazują, że zależności działające na poziomie grupowym nie zawsze przekładają się na pojedynczego człowieka. Przykładowo osoba z depresją może przeciętnie być mniej aktywna niż populacja, ale u konkretnego pacjenta znacznie ważniejszym sygnałem może być pogorszenie snu albo zmiana wzorca korzystania z telefonu. Przyszłe systemy będą więc prawdopodobnie wymagały personalizacji zamiast stosowania identycznego algorytmu do każdego użytkownika.
Taki scenariusz jest jednym z najbardziej interesujących zastosowań cyfrowego monitorowania. Wyobrażenie jest stosunkowo proste: urządzenie przez wiele tygodni poznaje typowy sposób funkcjonowania użytkownika, a następnie wykrywa, że w ostatnich dniach zmieniło się jednocześnie kilka obszarów - sen stał się bardziej nieregularny, aktywność spadła, człowiek rzadziej wychodzi z domu, mniej komunikuje się z innymi i inaczej korzysta z telefonu. Zamiast stawiać diagnozę, system mógłby wyświetlić neutralne ostrzeżenie, że zaobserwowano istotną zmianę w codziennym funkcjonowaniu i warto sprawdzić swoje samopoczucie. Dla osoby z nawracającą depresją taki sygnał mógłby potencjalnie pojawić się wcześniej niż moment, w którym pogorszenie stanie się oczywiste.
Droga do takiego rozwiązania jest jednak długa. Algorytm musiałby odróżniać rozwijającą się depresję od urlopu, infekcji, intensywnego tygodnia w pracy, opieki nad chorym dzieckiem czy zwykłej zmiany codziennego harmonogramu. Fałszywy alarm powtarzający się co kilka tygodni szybko straciłby wartość, natomiast niewykrycie rzeczywistego pogorszenia mogłoby stworzyć fałszywe poczucie bezpieczeństwa. Trzeba również określić, co dokładnie powinno wydarzyć się po alarmie. Ostrzeżenie bez dostępu do odpowiedniej pomocy może wywołać dodatkowy niepokój. Dlatego zanim technologia zacznie pełnić funkcję klinicznego systemu wczesnego ostrzegania, potrzebne są badania pokazujące nie tylko wysoką trafność przewidywania, lecz również realną korzyść dla pacjentów.
To jedno z najtrudniejszych pytań dotyczących całej technologii. Informacja o tym, gdzie człowiek przebywa, kiedy śpi, z jaką częstotliwością kontaktuje się z innymi oraz jak zmienia się jego zachowanie może być niezwykle wrażliwa. Nawet jeśli nie zawiera treści wiadomości, połączenie wielu sygnałów może powiedzieć o życiu użytkownika bardzo dużo. W Digital Mental Health Study zastosowano dlatego szereg zabezpieczeń. Uczestnicy osobno wyrażali zgodę na udostępnianie poszczególnych kategorii danych, część przetwarzania odbywała się bezpośrednio na urządzeniu, a surowe nagrania, konkretne lokalizacje czy treści komunikacji nie były przekazywane badaczom. Dane przechowywano po deidentyfikacji i z wykorzystaniem zabezpieczonej infrastruktury.
Wprowadzenie podobnych narzędzi do codziennej opieki medycznej wymagałoby jednak odpowiedzi na znacznie szersze pytania. Kto miałby dostęp do informacji? Jak długo byłyby przechowywane? Czy pacjent mógłby wyłączyć określone sensory bez utraty dostępu do usługi? Czy danych mogłaby zażądać firma ubezpieczeniowa albo pracodawca? System, który potencjalnie potrafi wykrywać podatność na depresję, ma ogromną wartość medyczną, ale również duży potencjał do niewłaściwego wykorzystania. Dlatego prywatność nie jest jedynie dodatkiem technicznym do przyszłych urządzeń. Będzie jednym z warunków decydujących o tym, czy cyfrowe monitorowanie zdrowia psychicznego w ogóle zostanie zaakceptowane społecznie.
Nie. Chociaż badanie było duże i celowo rekrutowano osoby o różnym wieku, płci, pochodzeniu i nasileniu depresji, miało kilka ważnych ograniczeń. Uczestnicy musieli korzystać z technologii umożliwiającej udział w rozbudowanym, zdalnym projekcie badawczym. Autorzy sami zaznaczają, że rekrutacja oparta na internecie mogła ograniczyć udział części osób znajdujących się po mniej uprzywilejowanej stronie cyfrowego podziału. W badaniu wykorzystywano również urządzenia Apple, dlatego późniejsze algorytmy będą musiały zostać sprawdzone w znacznie szerszym środowisku sprzętowym. Nie można zakładać, że model opracowany na podstawie użytkowników jednego ekosystemu urządzeń będzie równie dobrze działał u wszystkich ludzi.
Jednocześnie skala i długość obserwacji stanowią ważny krok naprzód. Spośród 4539 uczestników 3332 ukończyły pełne 12 miesięcy, co dało retencję na poziomie 73,4 proc. Osoby kończące badanie nosiły zegarek średnio przez około 21 godzin dziennie, a regularność wypełniania dwutygodniowych kwestionariuszy depresji była bardzo wysoka. Pokazuje to, że długoterminowe monitorowanie tysięcy ludzi nie jest wyłącznie koncepcją laboratoryjną. Następnym etapem będzie odpowiedź na znacznie trudniejsze pytanie: czy z tych ogromnych zbiorów danych da się wydobyć sygnały na tyle dokładne i indywidualne, aby telefon lub smartwatch rzeczywiście ostrzegał o pogorszeniu zdrowia psychicznego wcześniej niż tradycyjna konsultacja. Na razie technologia jeszcze tego nie potrafi, ale po raz pierwszy powstają zbiory danych wystarczająco duże, aby sprawdzić to na poważnie.
