Precision Health Psychology – Olga Perskis forskargrupp

Time Matters – Att förstå dynamiska mekanismer och optimera tidpunkten för interventioner inom beroendeområdet

Time Matters syftar till att möta en av de största utmaningarna inom beroendeområdet: att förebygga återfall. Projektet betraktar beroendebeteenden som dynamiska system som utvecklas icke-linjärt över tid och inom individer. Genom att samla in och modellera högupplösta data från smarttelefoner och smartklockor i vardagen kommer Time Matters att utveckla en adaptiv algoritm som kan ge rätt typ av stöd till varje person, när och där man behöver det som mest. Därigenom kommer projektet att bidra med ett nytt ramverk för att förstå och förebygga återfall inom olika typer av beroenden.

Anslag: Europeiska forskningsrådet (ERC-2025-StG) inom Horisont Europa, bidragsnummer 101219875 (PI: Olga Perski).

Länkar: https://www.precisionhealthpsych.com/timematters

EMASENS – Utveckling av en just-in-time adaptiv intervention för att förebygga återfall inom rökning

Syftet med EMASENS är att utveckla ett smarttelefonbaserat verktyg för rökavvänjning som ger personanpassat stöd i realtid, när det behövs som mest (en just-in-time adaptiv intervention, JITAI). För att kunna ge sådant stöd behöver vi först förstå när stöd ska ges och vilken typ av stöd som ska ges.

Steg 1: Att förutsäga återfall. Vi tränade och testade algoritmer på grupp-, individ- och hybridnivå i två studier: (1) en studie som använde data som användare självmant rapporterat i en populär app för rökavvänjning, och (2) en studie med data från korta smartphoneenkäter tillsammans med passivt insamlade data från smartklockor. Algoritmer på individ- och hybridnivå presterade bättre än algoritmer på gruppnivå, särskilt när sensordata inkluderades. Den bäst presterande algoritmen valdes ut som grund för interventionen.

Steg 2: Utveckling och utvärdering av interventionen. Steg 2 utgör en del av Corinna Leppins doktorandprojekt på University College London och närmar sig slutförande. Fokus ligger på att utveckla interventionsmeddelanden med hjälp av teori och verktyg för beteendeförändring i kombination med omfattande användartester samt utvärdering i en pilotstudie.

Publikationer från EMASENS-projektet: 

• Perski, O., Li, K., Pontikos, N., Simons, D., Goldstein, S. P., Naughton, F., & Brown, J. (2023). Classification of lapses in smokers attempting to stop: a supervised machine learning approach using data from a popular smoking cessation smartphone app. Nicotine and Tobacco Research, 25(7), 1330-1339.
• Perski, O., Kale, D., Leppin, C., Okpako, T., Simons, D., Goldstein, S. P., ... & Brown, J. (2024). Supervised machine learning to predict smoking lapses from Ecological Momentary Assessments and sensor data: Implications for just-in-time adaptive intervention development. PLOS Digital Health, 3(8), e0000594.
• Leppin, C., Okpako, T., Garnett, C., Perski, O., & Brown, J. (2025). Exploring perspectives on digital smoking cessation just-in-time adaptive interventions: A focus group study with adult smokers and smoking cessation professionals. PLOS Digital Health, 4(5), e0000705.
• Leppin, C., Brown, J., Garnett, C., Kale, D., Okpako, T., Simons, D., & Perski, O. (2026). Optimising supervised machine learning algorithms predicting cigarette cravings and lapses for a smoking cessation just-in-time adaptive intervention (JITAI). Plos one, 21(5), e0349028.

Anslag: Cancer Research UK (PI: Jamie Brown; Co-I: Olga Perski).

Länkar: https://www.precisionhealthpsych.com/emasens

COMPLAPSE – Att öka precisionen i beteendeförändringsteorier: en dynamisk beräkningsmodell av återfallsrisk hos rökare som försöker sluta

Cigarettrökning är fortfarande den främsta orsaken till förebyggbar sjuklighet och för tidig död i Europa och globalt. Förstahandsbehandling för rökavvänjning består av läkemedel och beteendestöd, men tillfälliga återfall – som påverkas av variationer i tillgång till cigaretter, stress och röksug – är en viktig orsak till att behandlingen misslyckas. COMPLAPSE utvecklade och validerade en formell, dynamisk systemmodell av risken för återfall. Projektet kombinerade vetenskaplig teori, patientperspektiv och klinisk kunskap, och var tvärvetenskapligt med kunskap från både beteendevetenskap och dynamisk modellering. Modellen kan användas för att simulera återfallsrisk och som underlag för personanpassade, evidensbaserade digitala strategier för rökavvänjning.

Publikationer from COMPLAPSE-projektet

• Perski, O., Allen, J., Kim, M., Pavel, M., Hankonen, N., & Hekler, E. (2026). Using Formal and Computational Modelling to Develop an Initial Within-Person System Dynamics Model of Relapse in Smoking Cessation: A Participatory, Iterative, Multi-Method Approach. Peer Community Journal. https://osf.io/preprints/osf/wx8s5
• de Ron, J., Robinaugh, D., Borsboom, D., & Perski, O. (2025). Toward a Psychologist's Guide to Computational Modeling: An Interdisciplinary Scoping Review of Methods for Mechanistic Model Construction. https://osf.io/preprints/psyarxiv/y7w8j
• Perski, O., & Allen, J. (2025). Formal, dynamical systems modelling to advance health psychology theories: Interdisciplinary working where psychology meets mathematics. European Health Psychologist, 23(5).
• Perski, O., Copeland, A., Allen, J., Pavel, M., Rivera, D. E., Hekler, E., ... & Chevance, G. (2025). The iterative development and refinement of health psychology theories through formal, dynamical systems modelling: a scoping review and initial expert-derived ‘best practice’ recommendations. Health Psychology Review, 19(1), 1-44.

Anslag: Europeiska kommissionen inom Horisont Europa, bidragsnummer 101065293 (MSCA Global Fellowship; PI: Olga Perski).

Länkar: https://www.precisionhealthpsych.com/complapse