Aims: There is a need to document the mental-health effects of the COVID-19 pandemic and its associated societal lockdowns. We initiated a large mixed-methods data collection, focusing on crisis-specific worries and mental-health indicators during the lockdown in Denmark. Methods: The study incorporated five data sources, including quantitative surveys and qualitative interviews. The surveys included a time series of cross-sectional online questionnaires starting on 20 March 2020, in which 300 (3×100) Danish residents were drawn every three days from three population groups: the general population ( N=1046), families with children ( N=1032) and older people ( N=1059). These data were analysed by trend analysis. Semi-structured interviews were conducted with 32 people aged 24–83 throughout Denmark to provide context to the survey results and to gain insight into people’s experiences of the lockdown. Results: Absolute level of worries, quality of life and social isolation were relatively stable across all population groups during the lockdown, although there was a slight deterioration in older people’s overall mental health. Many respondents were worried about their loved ones’ health (74–76%) and the potential long-term economic consequences of the pandemic (61–66%). The qualitative interviews documented significant variation in people’s experiences, suggesting that the lockdown’s effect on everyday life had not been altogether negative. Conclusions: People in Denmark seem to have managed the lockdown without alarming changes in their mental health. However, it is important to continue investigating the effects of the pandemic and various public-health measures on mental health over time and across national contexts.

Abstract Background The COVID-19 pandemic and its associated national lockdowns have been linked to deteriorations in mental health worldwide. A number of studies analysed changes in mental health indicators during the pandemic; however, these studies generally had a small number of timepoints, and focused on the initial months of the pandemic. Furthermore, most studies followed-up the same individuals, resulting in significant loss to follow-up and biased estimates of mental health and its change. Here we report on time trends in key mental health indicators amongst Danish adults over the course of the pandemic (March 2020 - July 2021) focusing on subgroups defined by gender, age, and self-reported previously diagnosed chronic and/or mental illness. Methods We used time-series data collected by Epinion (N=8,261) with 43 timepoints between 20 March 2020 and 22 July 2021. Using a repeated cross-sectional study design, independent sets of individuals were asked to respond to the Copenhagen Corona-Related Mental Health questionnaire at each timepoint, and data was weighted to population proportions. The six mental health indicators examined were loneliness, anxiety, social isolation, quality of life, COVID-19-related worries, and the mental health scale. Gender, age, and the presence of previously diagnosed mental and/or chronic illness were used to stratify the population into subgroups for comparisons. Results Poorer mental health were observed during the strictest phases of the lockdowns, whereas better outcomes occurred during reopening phases. Women, young individuals (<34 yrs), and those with a mental- and/or chronic illness demonstrated poorer mean time-series than others. Those with a pre-existing mental illness further had a less reactive mental health time-series. The greatest differences between women/men and younger/older age groups were observed during the second lockdown. Conclusions People with mental illness have reported disadvantageous but stable levels of mental health indicators during the pandemic thus far, and they seem to be less affected by the factors that result in fluctuating time-series in other subgroups.

Keywords: LLM, chatbot, public health, vulnerable communities, Global South, ChatGPT, Artificial Intelligence

Abstract Study Objectives This study investigated the complex relationship between nighttime smartphone use, sleep, and mental health among adult populations in Denmark. Methods Data from three interconnected samples (aged 16–89 years) from the SmartSleep Study included 5798 individuals with survey and register data; 4239 individuals also provided high-resolution smartphone tracking data. Logistic regression models and causal discovery algorithms, which suggest possible causal pathways consistent with the underlying data structure, were used to infer the relationship between self-reported and tracked nighttime smartphone use, self-reported sleep quality, mental health indicators, and register-based psychotropic medication use. Results Frequent self-reported nighttime smartphone use was associated with high perceived stress (OR: 2.24, 95% CI = 1.42 to 3.55) and severe depressive symptoms (OR: 2.96, 95% CI = 2.04 to 4.28). We found no clear associations between tracked nighttime smartphone use and mental health outcomes, except for the cluster that used their smartphones repeatedly during the sleep period, which was associated with severe depressive symptoms (OR = 1.69, 95% CI = 1.24 to 2.31). Poor sleep quality (vs. good sleep quality) was associated with high perceived stress (OR = 5.07, 95% CI = 3.72 to 6.90), severe depressive symptoms (OR = 9.67, 95% CI = 7.09 to 13.19), and psychotropic medication use (OR = 2.13, 95% CI = 1.36 to 3.35). The causal discovery models suggest that nighttime smartphone use affects mental health through both problematic smartphone use and poor sleep quality. Conclusion The complex relationship between nighttime smartphone use, sleep, and poor mental health may create a vicious circle over time, and nighttime smartphone use may constitute a potential leverage point for public health interventions aimed at improving sleep and mental health.

The SmartSleep Study is established to comprehensively assess the impact of night-time smartphone use on sleep patterns and health. An innovative combination of large-scale repeated survey information, high-resolution sensor-driven smartphone data, in-depth clinical examination and registry linkage allows for detailed investigations into multisystem physiological dysregulation and long-term health consequences associated with night-time smartphone use and sleep impairment.The SmartSleep Study consists of three interconnected data samples, which combined include 30 673 individuals with information on smartphone use, sleep and health. Subsamples of the study population also include high-resolution tracking data (n=5927) collected via a customised app and deep clinical phenotypical data (n=245). A total of 7208 participants are followed in nationwide health registries with full data coverage and long-term follow-up.We highlight previous findings on the relation between smartphone use and sleep in the SmartSleep Study, and we evaluate the interventional potential of the citizen science approach used in one of the data samples. We also present new results from an analysis in which we use 803 000 data points from the high-resolution tracking data to identify clusters of temporal trajectories of night-time smartphone use that characterise distinct use patterns. Based on these objective tracking data, we characterise four clusters of night-time smartphone use.The unprecedented size and coverage of the SmartSleep Study allow for a comprehensive documentation of smartphone activity during the entire sleep span. The study has been expanded by linkage to nationwide registers, which allow for further investigations into the long-term health and social consequences of night-time smartphone use. We also plan new rounds of data collection in the coming years.

Abstract Study Objectives The early detection of mental disorders is crucial. Patterns of smartphone behavior have been suggested to predict mental disorders. The aim of this study was to develop and compare prediction models using a novel combination of smartphone and sleep behavior to predict early indicators of mental health problems, specifically high perceived stress and depressive symptoms. Methods The data material included two separate population samples nested within the SmartSleep Study. Prediction models were trained using information from 4522 Danish adults and tested in an independent test set comprising of 1885 adults. The prediction models utilized comprehensive information on subjective smartphone behavior, objective night-time smartphone behavior, and self-reported sleep behavior. Receiver operating characteristics area-under-the-curve (ROC AUC) values obtained in the test set were recorded as the performance metrics for each prediction model. Results Neither subjective nor objective smartphone behavior was found to add additional predictive information compared to basic sociodemographic factors when forecasting perceived stress or depressive symptoms. Instead, the best performance for predicting poor mental health was found in the sleep prediction model (AUC = 0.75, 95% CI: 0.72–0.78) for perceived stress and (AUC = 0.83, 95%CI: 0.80–0.85) for depressive symptoms, which included self-reported information on sleep quantity, sleep quality and the use of sleep medication. Conclusions Sleep behavior is an important predictor when forecasting mental health symptoms and it outperforms novel approaches using objective and subjective smartphone behavior.

Background Identification of mother-infant pairs predisposed to early cessation of exclusive breastfeeding is important for delivering targeted support. Machine learning techniques enable development of transparent prediction models that enhance clinical applicability. We aimed to develop and validate two models to predict cessation of exclusive breastfeeding within one month among infants born after 35 weeks gestation using machine learning techniques. Methods Utilizing a nationwide dataset from Statistics Denmark, including infants born between the 1 st of January 2014 and the 31 st of December 2015, we employed random forest machine learning to develop two predictive models. The first model included 11 well-established factors associated with cessation of exclusive breastfeeding within one month. The second model was expanded to include 21 additional factors associated with complications during pregnancy and delivery that potentially impede breastfeeding. Feature importance was applied to elucidate the factors driving model predictions. Results The dataset comprised 110,206 infants and 106,835 mothers. The first model predicted cessation of exclusive breastfeeding within one month with an area under the receiver operating curve of 62.0% (95% confidence interval 61.3% - 62.7%) and an accuracy of 60.4% (95% confidence interval 59.8% - 61.0%). The second model predicted cessation of exclusive breastfeeding within one month with an area under the receiver operating curve of 62.2% (95% confidence interval 61.5% - 62.9%) and an accuracy of 60.0% (95% confidence interval 59.3% - 60.6%). In both models, birthplace, maternal education, delivery mode, and maternal body mass index were the most important factors influencing the overall model performance. Conclusions The two models could not accurately predict cessation of exclusive breastfeeding within one month among infants born after 35 weeks gestation. Contrary to our expectations, including additional factors in the model did not increase model performance.

Abstract Nighttime smartphone use is associated with sleep problems, which in turn have a bidirectional association with overweight. We aim to investigate whether nighttime smartphone use and sleep are related to overweight and metabolic dysfunction in adult populations. We used data from three population samples (aged 16–89) from the SmartSleep Study, which included survey data (N = 29,838), high-resolution tracking data (N = 3446), follow-up data (N = 1768), and cardiometabolic risk markers (N = 242). Frequent self-reported nighttime smartphone use was associated with 51% higher odds (95% CI: 1.32; 1.70) of overweight compared with no use. Tracked nighttime smartphone use was also associated with overweight. Similar results were found for obesity as an outcome. No consistent associations were found between nighttime smartphone use and cardiometabolic risk markers in a small subsample of healthy young women. Poor sleep quality (vs. good sleep quality) was associated with overweight (OR = 1.19, 85% CI: 1.10; 1.28). Overall, frequent nighttime smartphone use was consistently associated with overweight and a higher BMI across diverse population samples. The bidirectional interplay between nighttime smartphone use, sleep, and overweight may create a vicious circle of metabolic dysfunction over time. Therefore, nighttime smartphone use may be a potential target point for public health interventions to reduce overweight at the population level.

Abstract Study Objectives Nighttime smartphone use is an increasing public health concern. We investigated whether nighttime smartphone use is associated with general health and primary healthcare utilization. Methods Four thousand five hundred and twenty individuals (age 35.6 ± 9.7 years, 35% male) provided self-reported information on smartphone use frequency, symptoms of depression, and general health (one-item perceived health and cross-symptom composite score). A subset of the study sample (n = 3221) tracked their nighttime smartphone use. Primary healthcare utilization, i.e. the number of weeks in which at least one service from the patient’s general practitioner (GP) was billed in 2020, was extracted from Danish population registries. Statistical analysis comprised logistic and multiple linear regression, controlling for sociodemographics. Results Three hundred and nineteen individuals (7%) reported using their smartphone almost every night or more. More frequent self-reported nighttime smartphone use was associated with poor general health across all measures. Using the smartphone almost every night or more was associated with 2.8 [95% CI: 1.9, 4.1] fold higher odds of reporting poor health and with an average of 1.4 [95% CI: 0.7, 2.1] additional GP utilizations per year compared to no use. Associations were also found for the cross-symptom composite score across all symptoms. Further adjustment for symptoms of depression attenuated some associations. Smartphone use towards the end of the sleep period (sleep-offset use) was associated with poorer self-reported general health, but not with healthcare utilization. Conclusions Nighttime smartphone use frequency is associated with poor general health and healthcare utilization. Further studies should investigate the underlying causal structure and nighttime smartphone use as a transdiagnostic intervention target.

Additional file 1.