AgeTech · Monitorización Ambiental · Prevención de Caídas
Detección de caídas pasiva y respetuosa con la privacidad y monitorización ambiental para residencias asistidas y centros de enfermería especializada. Radar mmWave para habitaciones de alto riesgo. Detección por Wi-Fi para cobertura de todo el edificio. Integrada con su sistema de llamada de enfermería. Sin dispositivos vestibles. Sin cámaras. Sin puntos ciegos.
30.000 $
Coste medio por caída con lesión
CDC / PMC, datos de pacientes hospitalizados
63 %
de las instalaciones con falta de personal
Senior Housing News, 2025
50 %
de mortalidad en 6 meses si permanece en el suelo >1 hora
BMC Geriatrics / Physiopedia
La detección de caídas en el cuidado de mayores tiene tres opciones. Las tres fallan en el momento que más importa.
El modelo PERS asume que su residente de 85 años con deterioro cognitivo leve recordará llevarlo puesto, cargarlo y pulsar un botón durante una crisis. Los datos dicen lo contrario.
El dispositivo se retira para bañarse, dormir y cargarlo. El baño es la habitación de mayor riesgo. El colgante está en el tocador.
Las cámaras con IA como SafelyYou ofrecen sólidos resultados clínicos: 40 % menos caídas, 80 % menos visitas a urgencias. Pero las cámaras no pueden ir donde las caídas son más peligrosas.
Un sistema de cámaras que cubre los dormitorios pero no los baños cubre la segunda habitación más peligrosa mientras ignora la primera.
Las alfombrillas de presión y las alarmas de cama detectan la salida de la cama, no las caídas. Le indican que el residente salió de la cama. No le indican que el residente se cayó camino del baño 30 segundos después.
Cuando todas las alarmas suenan igual, ninguna significa nada. La fatiga por alarmas es la razón n.º 1 por la que las instalaciones abandonan la tecnología de detección de caídas.
La Sra. Hernández, de 84 años, en cuidado de memoria, se levanta de la cama a las 2:14 de la madrugada. Su colgante está en la mesita de noche. Salta la alarma de cama. El auxiliar de enfermería, a mitad de un reparto de medicación en el ala opuesta, confirma la alerta. La Sra. Hernández camina hacia el baño. Trece segundos después, se engancha el pie en la alfombrilla del baño y cae, golpeándose la cadera contra el suelo de baldosas. No puede alcanzar el cordón de llamada. No puede levantarse. El sensor de radar montado en el techo del baño detecta la firma de la caída: aceleración repentina (ráfaga Doppler), impacto, y luego una nube de puntos a nivel del suelo con micro-Doppler de respiración pero sin recuperación motora gruesa. A las 2:14:23, la central de llamada de enfermería muestra «Habitación 118 Baño: Caída Detectada, Alta Confianza, Residente en el Suelo». El auxiliar llega hasta ella en menos de 4 minutos. Sin el sensor, la Sra. Hernández habría sido descubierta durante la siguiente ronda a las 4:00 de la madrugada. Esa permanencia prolongada de 106 minutos conlleva un 50 % de riesgo de mortalidad a seis meses. El radar cambia el resultado porque no requiere nada del residente y cubre la habitación a la que ninguna cámara puede acceder.
Una referencia para evaluar proveedores y enfoques. Consúltela cuando su administrador pregunte «¿cuáles son nuestras opciones?».
| Enfoque | Proveedores Representativos | Precisión | Coste por Habitación | Fortalezas | Carencias Honestas |
|---|---|---|---|---|---|
| Radar mmWave (60 GHz) | Vayyar Care, Milesight VS373, AKM AK5816 | 95-99 % | 150-400 $ de hardware + instalación | Datos 4D (alcance, velocidad, ángulos). Funciona a través de las cortinas de ducha. Apto para baños. Detecta la respiración. Maduro comercialmente. | Sensor dedicado por habitación. No puede cubrir pasillos de forma eficiente. Detección solo de ocupación individual (la multipersona está emergiendo). Requiere calibración específica para cada entorno. |
| Detección Wi-Fi CSI | Origin Wireless, Cognitive Systems, ESP32 (código abierto) | 85-92 % | 0-60 $ si los puntos de acceso son compatibles | Utiliza la infraestructura Wi-Fi existente. Cobertura de todo el edificio. 802.11bf ratificado en septiembre de 2025. Detección a través de paredes. | Menor precisión que el radar. Sensible a las interferencias de RF. La mayoría de los puntos de acceso existentes en residencias de enfermería carecen de soporte CSI. Verizon canceló Home Awareness (15/4/2026). La adaptación al entorno (DANN) no está probada a escala. |
| Cámara con IA (Basada en Eventos) | SafelyYou, KamiCare | 94-97 % | 100-300 $ + SaaS mensual | Resultados probados: 40 % menos caídas, 80 % menos visitas a urgencias (SafelyYou). Revisión de vídeo para el análisis de causa raíz. Sólida evidencia clínica. | No puede monitorizar baños. 19 estados regulan las cámaras. Las preocupaciones de privacidad bloquean su adopción en muchas instalaciones. Requiere iluminación adecuada. |
| Infrarrojos / LiDAR | VirtuSense VSTAlert | ~95 % | Precios personalizados | Predice la salida de la cama de 30 a 65 segundos antes de que ocurra. 85 % de reducción de caídas declarada. Más de 100.000 caídas evitadas en cientos de instalaciones. | Requiere línea de visión. Principalmente predicción de salida de cama/silla, no detección general de caídas. No cubre baños ni zonas comunes. |
| IA Predictiva (Ondas de Radio) | Helpany «Paul» | N/D (preventiva) | No revelado | 66 % de reducción media de caídas en 14 comunidades de Arizona. Predice el riesgo con 3 semanas de antelación mediante el análisis de la marcha y el sueño. | Despliegue geográfico limitado (solo Arizona). El enfoque predictivo puede pasar por alto eventos agudos. Documentación de integración limitada. |
| PERS Vestible | Medical Guardian, Philips Lifeline, Bay Alarm | Variable | 20-50 $/mes | Bajo coste. Flujos de trabajo establecidos. Familiar para el personal y las familias. | 24 % nunca se lleva puesto. 14 % de adherencia de 24 horas. Se retira para el baño. Fatiga de carga. El estigma de la fragilidad provoca su rechazo. |
| Las Cuatro Grandes / Grandes Integradores de Sistemas | Deloitte, Accenture, servicios profesionales de proveedores | N/D | Proyectos de 500.000 $ a más de 5 M$ | Credenciales empresariales. Amplia experiencia en consultoría sanitaria. Capacidad para movilizar grandes equipos. | Despliegan plataformas, no desarrollan IA de sensores. Los proyectos se dimensionan para sistemas de salud, no para residencias asistidas de 100 camas. Los tamaños mínimos de proyecto excluyen a la mayoría de los operadores de residencias asistidas. Recomendarán un proveedor, no construirán una integración personalizada. |
Las cifras de precisión proceden de las declaraciones de los proveedores y de investigaciones publicadas. El rendimiento en el mundo real varía según el entorno, la calidad de la instalación y la calibración. Validamos las declaraciones durante los despliegues piloto.
No vendemos sensores. Construimos la capa de inteligencia que hace útiles a los sensores y los integramos en su flujo de trabajo asistencial.
Evaluamos su instalación habitación por habitación. Los baños y las habitaciones de cuidado de memoria reciben radar mmWave (módulos TI IWR6843 o Infineon BGT60TR13C, según sus requisitos de factor de forma). Las zonas comunes y los pasillos reciben detección Wi-Fi CSI si sus puntos de acceso lo admiten, o nodos de malla ESP32 (5-10 $/unidad) si no lo hacen. La predicción de salida de cama recibe una capa de infrarrojos donde esté clínicamente indicado.
El resultado es un mapa de sensores con especificaciones de hardware concretas, posiciones de montaje y zonas de cobertura. No una recomendación genérica de «desplegar sensores».
Los sensores estándar se entregan con modelos genéricos. Su instalación tiene ventiladores de techo en cada habitación, un perro de terapia en el ala de cuidado de memoria y cortinas cerca de la rejilla del aire acondicionado en la Habitación 214. Construimos mapas de desorden específicos para cada entorno: el ventilador en la coordenada de techo (x,y,z) recibe un enmascaramiento Doppler de ubicación fija. El labrador de 18 kg se filtra mediante umbrales de sección transversal de radar y geometría de caja delimitadora horizontal. Las zonas de ventanas reciben ajustes de umbral de confianza mediante Filtrado de Kalman Extendido.
A continuación, superponemos una cascada de clasificación jerárquica: la detección ligera de presencia se ejecuta continuamente, el modelo completo de doble flujo (CNN sobre espectrogramas de micro-Doppler + PointNet sobre nubes de puntos 3D, fusionados mediante una capa de atención) se activa solo ante disparadores de movimiento, y las comprobaciones de consistencia temporal (memoria de secuencia LSTM) requieren la narrativa completa de aceleración-impacto-inmovilidad antes de generar una alerta.
Esta es la parte que determina si el sistema realmente se utiliza. Conectamos la salida del sensor a su sistema de llamada de enfermería (NCS) específico: Rauland Responder (relé de contacto seco a la entrada auxiliar), Ascom Telligence (API REST a la plataforma Unite), Austco Tacera (MQTT con cargas útiles JSON estructuradas), Hill-Rom Connexall (puente HL7 o API). Los sistemas heredados reciben relés de estado sólido optoaislados. Las plataformas modernas reciben alertas contextuales.
También configuramos la lógica de escalado: una alerta de caída sin confirmar escala del auxiliar de enfermería a la enfermera responsable a los 90 segundos, y al director de enfermería a los 3 minutos. El cumplimiento de UL 1069/UL 2560 se mantiene en todo momento, incluida la documentación de aislamiento eléctrico que su inspector estatal solicitará.
La detección es reactiva. La prevención es el objetivo. Construimos análisis longitudinales a partir de la misma infraestructura de sensores: tendencia de la velocidad de la marcha (un descenso del 20 % en 2-3 semanas es el predictor más fuerte de una caída inminente), puntuación de la calidad del sueño (inquietud en la cama, frecuencia y duración de las visitas al baño) e indexación del nivel de actividad diaria.
Los análisis se incorporan a su historia clínica electrónica (EHR) y a la documentación MDS. Cuando la velocidad de la marcha de la Sra. Hernández baja un 18 % en 10 días, el sistema la señala para una consulta de fisioterapia, no después de que se caiga. Esto respalda directamente el cumplimiento de CMS F689 y refuerza su programa QAPI de prevención de caídas.
El estándar IEEE 802.11bf fue ratificado en septiembre de 2025. Los futuros puntos de acceso Wi-Fi admitirán de forma nativa la detección de movimiento. Si su instalación va a actualizar su infraestructura inalámbrica en los próximos 12-18 meses, le ayudamos a seleccionar puntos de acceso con capacidad de detección (Qualcomm Networking Pro con NPU Hexagon, o chipsets Broadcom BroadStream) y a diseñar la capa de computación en el borde para que su red Wi-Fi funcione también como un tejido de detección.
Para las instalaciones que no pueden esperar a las actualizaciones de los puntos de acceso, desplegamos mallas de detección basadas en ESP32 (5-10 $ por nodo) como solución provisional. El kit de herramientas de código abierto ESP-CSI proporciona extracción de CSI hoy mismo, y nuestros modelos de adaptación al entorno basados en DANN gestionan el reto de la calibración de habitación a habitación.
Una visión paso a paso del proceso de detección, desde el chirrido del radar hasta la notificación a enfermería.
El radar FMCW de 60 GHz en el techo del baño transmite chirridos de frecuencia barrida a 20 fotogramas por segundo. Cada chirrido se refleja en las superficies de la habitación. La frecuencia de batido codifica la distancia a cada reflector. Una secuencia de transformadas FFT de alcance, FFT de Doppler y FFT de ángulo produce un cubo de datos 4D: alcance, velocidad, azimut y elevación para cada vóxel de la habitación. Esto se ejecuta de forma continua a menos de 500 mW.
Los objetos estáticos (paredes, inodoro, barras de apoyo) se eliminan mediante un filtrado adaptativo que conserva los objetivos «estáticos vivos». El sistema utiliza la estabilidad de fase para distinguir a un humano inconsciente (micro-Doppler de la pared torácica a 0,3-0,5 Hz) de un toallero (cero modulación de fase). La detección OS-CFAR ajusta dinámicamente el umbral de ruido para que una barra de apoyo metálica no enmascare el reflejo humano más débil situado a su lado.
El Flujo A procesa el espectrograma de micro-Doppler a través de una CNN ligera. Una caída produce una ráfaga de velocidad de banda ancha (destello del torso a bajas frecuencias, destellos de las extremidades a altas frecuencias) seguida de velocidad cero. El Flujo B procesa la nube de puntos 3D a través de una variante de PointNet, rastreando el centroide vertical. La caída del centroide desde la altura de pie (~1,5 m) hasta el nivel del suelo (~0,1 m) confirma el descenso espacial. Una capa de fusión basada en atención combina ambos flujos. El diferenciador crítico: un sentado brusco sobre el inodoro muestra el pico de velocidad, pero el centroide se asienta a 0,45 m (altura del asiento), no a nivel del suelo. El sistema suprime la alarma.
El modelo de secuencia LSTM requiere la narrativa completa: de pie (patrón de marcha normal), inestabilidad (micro-Doppler irregular), aceleración (descenso impulsado por la gravedad), impacto (cese de energía de banda ancha) e inmovilidad posterior al impacto con respiración confirmada. Un temporizador de retención de 3-5 segundos garantiza que la clasificación sea estable antes de alertar. Esto evita falsos disparos provocados por un residente que se agacha para recoger una toalla caída.
Toda la inferencia se ejecuta en el procesador de borde del sensor (TI AM62A con acelerador DNN o equivalente). Ningún dato de radar en bruto sale de la habitación. El sensor envía una carga útil estructurada al sistema de llamada de enfermería: {"event": "FALL", "room": "118B", "location": "bathroom", "confidence": 0.96, "floor_time_sec": 8, "breathing": true}. En la insignia Vocera de la enfermera: «Habitación 118 Baño: Caída Detectada. Residente en el suelo. Respiración confirmada». Latencia total desde el impacto hasta la alerta: 6-10 segundos.
Cuatro fases. Cada una tiene un entregable que su administrador puede revisar antes de continuar.
2-3 semanas. Recorremos su instalación con su director de mantenimiento. Puntuación de riesgo habitación por habitación: distribución del baño, dimensiones de la habitación, densidad de mobiliario, altura del techo (afecta al campo de visión del radar). Auditoría de la infraestructura de TI: inventario de puntos de acceso (marca, modelo, firmware, capacidad CSI), topología de red, segmentación VLAN, modelo y versión de software del sistema de llamada de enfermería.
Entregable: Documento de arquitectura de sensores con recomendaciones de hardware concretas, posiciones de montaje, requisitos de red y enfoque de integración de la llamada de enfermería. Estimación de costes para el piloto y el despliegue completo.
8-10 semanas, 10-15 habitaciones. Instalamos sensores en habitaciones representativas. Ejecutamos 4 semanas en modo sombra (alertas registradas pero no enviadas al personal). Comparamos las detecciones con sus informes de incidentes. Calibramos los mapas de desorden y los umbrales de falsas alarmas por habitación. Transición al modo en directo durante las últimas 4 semanas con el personal recibiendo alertas.
Entregable: Informe de resultados del piloto con datos concretos: tasa de detección, tasa de falsas alarmas por habitación al día, variación del tiempo de respuesta del personal, comparación con sus 6 meses anteriores de datos de incidentes de caídas. Proyección de ROI para el despliegue completo.
6-10 semanas para 100 habitaciones. Implantación en las habitaciones restantes por oleadas (20-25 habitaciones por oleada). Cada oleada incluye calibración específica por habitación, pruebas de integración de la llamada de enfermería y formación del personal. El panel de análisis predictivo se pone en marcha tras suficientes datos de referencia (normalmente 30 días de monitorización continua).
Entregable: Sistema totalmente operativo con panel unificado, integración con el NCS, protocolos de escalado configurados, personal formado y una base de referencia de 30 días para el análisis predictivo.
Continuo. Actualizaciones mensuales del modelo basadas en los datos de su instalación. Los patrones de falsas alarmas que surgen estacionalmente (ventanas abiertas en verano, calefactores en ciclo en invierno) se abordan mediante actualizaciones del mapa de desorden. Los umbrales de riesgo predictivo se refinan a medida que el sistema acumula datos longitudinales de marcha y actividad.
Entregable: Informes de análisis trimestrales para su comité QAPI y la preparación de la inspección de CMS. Datos de tendencias de la tasa de caídas, tasas de éxito de las intervenciones predictivas y métricas de tiempo de actividad del sistema.
Responda seis preguntas sobre su instalación. Obtenga una puntuación de preparación con próximos pasos concretos sobre los que puede actuar hoy mismo.
La reducción de falsas alarmas requiere un enfoque por capas que la mayoría de los sensores estándar no pueden ofrecer de fábrica. Construimos mapas de desorden específicos para cada entorno durante la instalación: los ventiladores de techo reciben un enmascaramiento de coordenadas fijas porque su alta firma Doppler en una posición conocida (x,y,z) es predecible. Las mascotas se filtran mediante umbrales de sección transversal de radar y relaciones de aspecto de caja delimitadora, ya que un perro ocupa un volumen horizontal (relación de aspecto mayor que 1) mientras que un humano ocupa una columna vertical. Las cortinas cerca de las ventanas reciben umbrales de confianza por zonas mediante Filtrado de Kalman Extendido.
Más allá del filtrado espacial, implementamos cascadas de clasificación jerárquica. El sistema ejecuta un detector de presencia ligero de forma continua, y luego activa el modelo completo de doble flujo CNN+LSTM solo cuando un movimiento aproximado lo dispara. El modelo profundo requiere consistencia temporal: una firma de caída debe mostrar la fase de aceleración, el impacto y la inmovilidad posterior al impacto en secuencia antes de generar una alerta. Un sentado brusco sobre un sofá dispara el pico de velocidad, pero la altura del centroide se estabiliza a 0,5 m, no a nivel del suelo, por lo que el sistema lo suprime correctamente.
El objetivo es menos de 2 falsas alarmas por habitación al día, frente a las 5-15 que provocan la fatiga por alarmas en la mayoría de los despliegues. Validamos esto durante la fase piloto ejecutando el sistema en modo sombra junto a su monitorización existente durante 30 días, comparando la precisión de las alertas antes de pasar a producción.
Sí, y esta integración suele ser la parte más difícil de cualquier despliegue de detección de caídas. El enfoque depende de su plataforma de llamada de enfermería. Para sistemas heredados como las instalaciones más antiguas de Rauland Responder, utilizamos relés de estado sólido de contacto seco. El relé del sensor se cierra cuando se confirma una caída, conectándose a la entrada auxiliar de la central de llamada de enfermería de la habitación. Esto activa el flujo de trabajo estándar de luz de llamada y buscapersonas sin cambios de software en el NCS. Funciona con aproximadamente el 90 % de la infraestructura de llamada de enfermería instalada.
Para plataformas modernas basadas en IP como Ascom Telligence, Austco Tacera o Hill-Rom Connexall, enviamos cargas útiles JSON estructuradas mediante MQTT o API REST. En lugar de una alarma genérica, la enfermera ve «Habitación 302: Caída Detectada, Alta Confianza, Residente en el suelo 45 segundos» en su insignia Vocera o smartphone. Esta información contextual cambia el comportamiento de respuesta porque el personal confía en la alerta.
También nos integramos con la lógica de escalado del NCS: si no hay respuesta en 90 segundos, la alerta escala del auxiliar de enfermería asignado a la enfermera responsable, y luego al director de enfermería. Un detalle técnico que hace tropezar a la mayoría de las integraciones es el cumplimiento de UL. Si el NCS de su instalación está certificado según UL 1069 o el más reciente UL 2560, añadir un dispositivo de entrada auxiliar no debe romper la certificación. Nos encargamos del aislamiento eléctrico (relés optoacoplados) y de la documentación necesaria para que la instalación mantenga el cumplimiento durante las inspecciones estatales.
Son tecnologías complementarias, no competidoras, y la elección correcta depende de la habitación y el caso de uso. El radar mmWave (60 GHz FMCW) es un sensor dedicado que genera datos 4D: alcance, velocidad, azimut y elevación para cada punto detectado. Ve a través de las cortinas de ducha, funciona en completa oscuridad y distingue a un humano que respira de una silla estática mediante firmas de micro-Doppler. La precisión en la detección de caídas está sistemáticamente por encima del 95 % en estudios controlados, y los despliegues en el mundo real como Vayyar Care en el Reino Unido han reducido los ingresos hospitalarios.
La detección Wi-Fi utiliza la Información del Estado del Canal (CSI) de las señales Wi-Fi existentes para detectar movimiento y presencia. Con el IEEE 802.11bf ratificado en septiembre de 2025, los futuros puntos de acceso admitirán la detección de forma nativa. La ventaja es la reutilización de la infraestructura: si su instalación ya tiene puntos de acceso compatibles (chipsets de Qualcomm o Broadcom), añade detección mediante una actualización de software. La cobertura es más amplia ya que las señales penetran las paredes. La contrapartida es una menor precisión (85-90 % para la detección de caídas frente al 95 %+ del radar) y la sensibilidad a las interferencias de RF de microondas, dispositivos Bluetooth y redes vecinas.
Normalmente recomendamos el radar para habitaciones de alto riesgo (baños, dormitorios, cuidado de memoria) donde la precisión es crítica, y la detección Wi-Fi para zonas comunes, pasillos y la monitorización de presencia en todo el edificio donde la cobertura importa más que la precisión. Los sistemas comparten un panel de análisis común para que su personal vea una vista unificada.
El radar mmWave es arquitectónicamente más respetuoso con la privacidad que cualquier alternativa basada en cámaras. El sensor emite ondas de radio de 60 GHz y procesa los reflejos como nubes de puntos y firmas Doppler. Físicamente no puede producir una imagen de la cara o el cuerpo de una persona. Incluso si alguien interceptara el flujo de datos en bruto, vería tuplas de coordenadas y valores de velocidad, no información visual.
Bajo la HIPAA, los patrones de comportamiento derivados del radar (frecuencia de uso del baño, calidad del sueño, velocidad de la marcha) sí califican como Información de Salud Protegida porque describen el estado de salud de un individuo. Gestionamos esto mediante el procesamiento en el borde: los datos de radar en bruto se procesan en el procesador integrado del sensor y nunca salen del dispositivo. Solo los eventos abstraídos («Caída Detectada, Habitación 302, Confianza 0,98») se transmiten a su red, cifrados con TLS 1.2+ en tránsito y AES-256 en reposo.
Los datos Wi-Fi CSI tienen un perfil regulatorio ligeramente más complejo. Bajo el Artículo 9 del RGPD, los patrones de marcha extraídos del CSI pueden identificar teóricamente a individuos, lo que clasifica los datos en bruto como biométricos. Nuestra arquitectura aborda esto mediante la misma estrategia de procesamiento en el borde: el CSI se analiza localmente, se descarta inmediatamente después de la inferencia y solo se transmiten datos a nivel de evento.
En cuanto a las leyes estatales de privacidad, 19 estados permiten ahora explícitamente las cámaras en las habitaciones de las residencias con consentimiento. El radar y la detección Wi-Fi eluden este debate por completo porque no son dispositivos de vigilancia. Ningún estado regula actualmente la detección por RF no visual. Dicho esto, seguimos recomendando documentar la monitorización en su contrato de admisión del residente porque la transparencia genera confianza con las familias.
La permanencia prolongada en el suelo es donde reside el verdadero peligro. La mitad de las personas mayores que permanecen en el suelo durante más de una hora mueren en un plazo de seis meses, incluso sin una lesión directa de la propia caída. Las complicaciones incluyen rabdomiólisis por compresión muscular sostenida, hipotermia por suelos fríos, deshidratación e insuficiencia renal aguda.
Los dispositivos vestibles estándar basados en acelerómetro no pueden detectar de forma fiable las permanencias prolongadas en el suelo porque el dispositivo puede haberse retirado, o el evento de caída inicial puede no haber activado el umbral. El radar mmWave gestiona la detección de permanencia prolongada mediante una capacidad específica de la que carecen los sensores más simples: la detección de respiración por micro-Doppler. Incluso cuando una persona está completamente inmóvil en el suelo, su pared torácica se desplaza de 4 a 12 mm durante la respiración. A 60 GHz, este desplazamiento representa una fracción significativa de la longitud de onda de 5 mm, creando una modulación de fase detectable en la señal reflejada.
El sistema confirma: el centroide de la nube de puntos de la persona está a nivel del suelo (z aproximadamente 0 m), el movimiento motor grueso ha cesado, pero el micro-Doppler confirma la respiración. Este estado activa una alerta de «caída con incapacidad para recuperarse». Configuramos temporizadores de escalado basados en sus protocolos clínicos. Normalmente, si el movimiento grueso no se reanuda en los 3 minutos posteriores a la caída, el sistema alerta al auxiliar de enfermería asignado. Si no hay confirmación del personal en 90 segundos, escala. Si la firma de respiración también se degrada o se detiene, el sistema activa una respuesta de emergencia.
El modelado temporal (redes LSTM que mantienen la memoria de secuencia) es lo que separa esto de los simples detectores de movimiento. El sistema comprende la narrativa: de pie, luego aceleración, luego impacto, luego quietud con respiración. Esa secuencia es inequívoca.
Empezamos con 10-15 habitaciones, seleccionadas para representar la variedad de retos de su instalación: unas pocas habitaciones privadas estándar, al menos 2 baños (el espacio de mayor riesgo), una habitación de cuidado de memoria si procede, y una zona común. El piloto dura 60 días y tiene tres fases.
La Fase 1 (Semanas 1-2) es la evaluación del emplazamiento y la instalación. Auditamos su infraestructura de TI: qué puntos de acceso están instalados, qué sistema de llamada de enfermería utiliza, si su red admite la segmentación VLAN para el tráfico de IoT. Muchas instalaciones funcionan con puntos de acceso Ruckus o Aruba de 10 años de antigüedad que no pueden gestionar tráfico de sensores adicional sin degradar el rendimiento del sistema de luz de llamada. Instalamos sensores de radar en habitaciones de alto riesgo y configuramos la detección Wi-Fi en zonas comunes si sus puntos de acceso admiten la extracción de CSI.
La Fase 2 (Semanas 3-6) es el modo sombra. El sistema funciona junto a su monitorización existente. Cada alerta se registra pero no se envía al personal. Comparamos nuestras detecciones con sus informes de incidentes, calibramos los umbrales de falsas alarmas por habitación (la habitación con el ventilador de techo necesita parámetros diferentes a la que no lo tiene) y ajustamos los mapas de desorden.
La Fase 3 (Semanas 7-8) es el modo en directo con medición. El personal recibe alertas. Hacemos un seguimiento de la mejora del tiempo de respuesta, la tasa de falsas alarmas por habitación al día, y cualquier caída que el sistema detecte y que su enfoque anterior pasara por alto.
El piloto cuesta entre 15.000 $ y 25.000 $ para una instalación de 100 camas (10-15 habitaciones instrumentadas). Al final, dispone de datos concretos: cuántas caídas detectó el sistema, cuántas falsas alarmas al día, la variación del tiempo de respuesta del personal y una proyección de ROI clara para el despliegue completo. El despliegue completo para 100 habitaciones suele costar entre 150.000 $ y 250.000 $ incluyendo hardware, integración y el primer año de análisis, lo que equivale a 125-210 $ por habitación al mes. Dado que una sola caída con lesión cuesta 30.000 $ de media, el sistema se amortiza si evita de 5 a 8 caídas con lesión al año.
Los whitepapers interactivos que sustentan esta página de solución. Profundizan en el procesamiento de señales, las arquitecturas de redes neuronales y la física de los sensores.
Física del radar FMCW de 60 GHz, arquitecturas de IA de doble flujo (CNN + PointNet + LSTM), inferencia en el borde en procesadores Cortex-M/A, detección CFAR e integración de llamada de enfermería UL 1069.
Análisis de la Información del Estado del Canal (CSI), detección de micromovimientos en la zona de Fresnel, redes neuronales adversarias de dominio (DANN) para la adaptación al entorno y arquitectura de implementación IEEE 802.11bf.
Una instalación de 100 camas con una media de 40 caídas al año está absorbiendo entre 120.000 $ y 240.000 $ en costes directos antes de la exposición legal.
Empiece con una evaluación de la instalación. Auditamos sus habitaciones, infraestructura y sistema de llamada de enfermería, y luego le entregamos un documento de arquitectura de sensores con recomendaciones concretas y proyecciones de costes. Sin compromiso más allá de la evaluación.