Rilevamento cadute radar per residenze per anziani

Un rilevatore di cadute ingenuo intercetta ogni caduta in questa demo. Ha generato anche sette falsi allarmi nello stesso turno di notte, e un pannello silenziato non rileva nulla.

La sensibilità non è mai stata il collo di bottiglia. Vigil è il layer di intelligence tra un sensore radar e il sistema di chiamata infermieri: una cascata a cinque stadi che restituisce ALERT, SUPPRESS o ROUTE TO HUMAN e registra il valore della feature alla base di ciascuna di queste decisioni. Ciò che potete osservare qui è una demo eseguibile su un flusso sintetico di feature radar, non una distribuzione reale.

0 vs 7

falsi allarmi nel turno della demo

Motore rispetto alla baseline ingenua, un turno sintetico con seed prestabilito

1.0 vs 0.167

specificità sui fattori di confondimento

Golden set sintetico fisso di 360 eventi, non accuratezza in produzione

1 su 2

cadute reali segnalate con allarme

La seconda, verificatasi in uno spazio a occupazione multipla, è stata inoltrata alla verifica del personale

La panoramica guidata riproduce un turno notturno sintetico con seed prestabilito in un reparto di degenza per disturbi della memoria. Nessun hardware radar reale, nessuna struttura reale, nessun residente, nessun dato PHI.

Un sistema di cui nessuno si fida viene silenziato, e un sistema silenziato non rileva nulla.

L'affaticamento da allarmi è il motivo principale per cui i sistemi di rilevamento cadute falliscono. Un Direttore dell'assistenza infermieristica (DON) che si trova a scegliere tra un bagno non monitorato e un pannello che scatta per un ventilatore da soffitto sta scegliendo tra due modi per lasciarsi sfuggire una caduta con lesioni, che costa in media circa $30.000.

Il bagno è il punto debole

È lo spazio a più alto rischio e l'unico luogo in cui una telecamera non è un'opzione praticabile. Diciannove stati USA hanno promulgato leggi che regolano l'uso delle telecamere nelle stanze delle case di riposo, consentendole in genere nella camera del residente previo consenso, mentre i bagni rimangono esclusi nella prassi per motivi di privacy.

La permanenza a terra prolungata è la vera lesione

La metà degli anziani che rimangono a terra sul pavimento per più di un'ora muore entro sei mesi. Una caduta scoperta durante il giro delle 04:00 è un evento clinico radicalmente diverso da uno per cui i soccorsi vengono inviati mentre il residente si trova ancora a terra.

I sistemi tradizionali falliscono sulla capacità di rifiuto

I sensori di movimento e i tappetini scendiletto commerciali generano da 5 a 15 falsi allarmi per stanza al giorno. Ciò che non sono in grado di fare è distinguere una seduta brusca sul wc da una caduta, quindi il personale di notte silenzia il pannello e il sistema non rileva più nulla.

Cinque stadi a cascata, poi invio della chiamata e documentazione probatoria.

Vigil esegue la sua cascata su un flusso di feature radar fotogramma per fotogramma e trasmette il risultato a un policy gate posizionato all'esterno di ogni modello. I modelli consigliano, il codice decide: le condizioni narrative deterministiche devono risultare verificate per prime, e solo allora viene consultata la confidenza del classificatore, confrontata con una soglia minima prefissata che il modello non stabilisce. Un modello non può mai generare un allarme in modo autonomo.

01 / ESTRAZIONE DELLE FEATURE

Cinematica, impatto, respirazione, classe del bersaglio

Dal flusso sintetico di feature radar il motore ricava la cinematica di discesa (altezza iniziale, velocità di picco, altezza finale del baricentro), un marcatore di impatto basato su energia a banda larga, il residuo di movimento post-impatto, l'energia della banda respiratoria e una stima della classe del bersaglio tramite sezione d'urto radar (RCS) e rapporto d'aspetto. In nessun punto della pipeline sono presenti immagini o video.

02 / MAPPA DEL CLUTTER PER STANZA

Il voxel del ventilatore è noto e mascherato

Ogni spazio dispone della propria mappa. Ciò che questa versione elabora sono le maschere Doppler a posizione fissa per ventilatori da soffitto e condizionatori a finestra, mascherati in corrispondenza del rispettivo voxel noto. Le altezze di sedute e letti per stanza sono memorizzate nel file della camera come dati di calibrazione ma non vengono lette da alcun percorso di codice della V1, il che rappresenta fedelmente quanto lavoro di integrazione richieda ancora la calibrazione per stanza.

03 / CLASSIFICATORE A DOPPIO FLUSSO

Quattro feature, un punteggio calibrato

Un modello logistico addestrato legge esattamente quattro feature (prossimità al pavimento, energia d'impatto, discesa verticale e sezione d'urto radar) e le fonde in un valore calibrato di P(fall). Il passaggio di fusione è codice numpy leggibile da cima a fondo. Il passaggio in produzione a una CNN, PointNet e fusione basata su attenzione è documentato, e la semantica delle feature non subisce alterazioni al di sotto di esso.

04 / VERIFICATORE NARRATIVO TEMPORALE

Quattro condizioni in un'unica finestra di 8 secondi

Il codice deterministico richiede che tutte e quattro le condizioni siano soddisfatte all'interno della stessa finestra di 8 secondi, con la posizione eretta accertata nel primo quinto della finestra: un baricentro mediano superiore a 1.2 m, una discesa superiore a 0.6 m associata a una velocità di picco superiore a 1.8 m/s, un impatto prolungato a banda larga (una media mobile su 3 fotogrammi superiore a 0.50, di modo che un picco su un singolo fotogramma non possa soddisfarla) e un baricentro che raggiunge effettivamente il livello del pavimento al di sotto di 0.30 m.

05 / POLICY GATE DETERMINISTICO

Soglie fisse, tre verdetti

Il percorso decisionale esterno a ogni modello è semplice codice con soglie fisse e documentate: livello del pavimento inferiore a 0.30 m, una soglia minima di respirazione pari a 0.20 e una soglia minima di confidenza di caduta pari a 0.70. Il gate emette ALERT, SUPPRESS o ROUTE TO HUMAN e attiva la sequenza di escalation (CNA a 0 s, Charge Nurse a 90 s, DON a 180 s). Una soglia di confidenza separata codificata nel gate invia gli eventi in spazi a occupazione multipla a una verifica umana.

06 / INVIO DELLA CHIAMATA E DOCUMENTAZIONE

Due formati di chiamata infermieri e un registro archiviabile

L'adattatore genera sia un segnale relè a contatto pulito legacy Rauland (optoisolato, con isolamento UL 1069/2560 garantito) sia un payload JSON moderno MQTT e REST Ascom o Austco. Si tratta di uno stub di adattatore registrato su log, non di hardware connesso. Il JSON di audit del turno copre ogni allarme, inoltro e soppressione con la relativa feature determinante; una nota clinica di incidente viene redatta separatamente a partire da tale documentazione probatoria strutturata.

Un turno di notte sintetico con seed, dodici eventi, ogni decisione documentata a registro.

La demo riproduce il reparto di degenza per disturbi della memoria dalle 02:00 alle 06:00 attraverso dodici spazi monitorati, valutando la cascata a confronto con una baseline ingenua convenzionale che tratta qualsiasi movimento rapido o a quota bassa come una caduta. Tutti i dodici eventi sono scenari sintetici, etichettati e fisicamente realistici basati su un seed fisso; i dodici riquadri corrispondono a dodici eventi, due dei quali interessano nuovamente uno spazio già presente sulla griglia, per un totale di dieci spazi distinti. La griglia della dashboard e il Registro delle decisioni (Decision Ledger) etichettano tali spazi da Cam 1 a Cam 12; gli ID reali delle stanze compaiono solo nei dettagli dell'incidente, nel payload di invio e nel registro di audit.

Vista della mappa di piano in tempo reale di Vigil durante il turno della demo. Il riquadro Cam 3 Bagno è contornato di rosso ed etichettato come Caduta con permanenza a terra prolungata 99 percento (Fall Long-Lie 99 percent), il riquadro Cam 2 indica Bassa confidenza a verifica umana (Low Confidence to Human Check), e il Decision Ledger sulla destra elenca le soppressioni per Cam 5 e Cam 1 con il valore della feature alla base di ciascuna. — ALERT. Cam 3 (Bagno) conferma l'intera sequenza narrativa di caduta a livello del pavimento con respirazione presente e nessun rialzo, per cui il motore genera ALERT con una confidenza di 0.99 per permanenza a terra prolungata (long-lie). Attorno a essa il registro sta già rifiutando: Cam 1 su un voxel mascherato del ventilatore da soffitto, Cam 5 su un picco di velocità che si è stabilizzato a un'altezza di seduta di 0.46 m senza impatto violento.

Pannello dei dettagli dell'incidente di Vigil per Cam 3 Bagno che mostra il testo del badge di chiamata infermieri per la Stanza 118B, un tempo da impatto ad allarme pari a 7 secondi, i trasporti MQTT Ascom e Austco e a contatto pulito Rauland, la sequenza di escalation con CNA, Charge Nurse e DON, il payload di invio JSON con confidenza 0.99 e 4.8 secondi di tempo a terra, e la nota clinica di incidente. — Il registro dietro l'allarme. Aprendo qualsiasi riquadro o riga del registro, il pannello dei dettagli mostra ciò che è stato inviato: il testo del badge di chiamata infermieri per la Stanza 118B Bagno nel registro di audit, il payload JSON recante una confidenza di 0.99 e 4.8 s di permanenza a terra, entrambi i trasporti, la sequenza di escalation attivata e una nota clinica di incidente redatta a partire dalla documentazione strutturata di audit per il dossier QAPI. Il valore di 7 s tra impatto e allarme mostrato nel pannello è un dato calcolato dal gate sommando il timer di mantenimento a una costante, pertanto va inteso come valore visualizzato dall'applicazione e non come velocità di benchmark del sistema.

Cam 2: una caduta reale che il motore ha rifiutato di asserire

Cam 2 rappresenta una caduta reale nella ground truth, e P(fall) raggiunge 0.99. Lo spazio contiene due soggetti e il tracciamento di singole persone esula dalla copertura della V1; pertanto il gate restituisce ROUTE TO HUMAN a bassa confidenza e non asserisce una caduta. La baseline ingenua attiva un allarme automatico. In questo turno si sono verificate due cadute reali: una ha generato un allarme, l'altra è stata inoltrata alla verifica del personale. Nel benchmark fisso, 40 cadute su 40 in spazi a occupazione multipla vengono instradate allo stesso modo, senza falsi allarmi e senza alcuna omissione.

Il Decision Ledger completato di Vigil che elenca le soppressioni da Cam 12 a Cam 5, ciascuna con una motivazione quale movimento verso il basso con ritorno alla posizione eretta, movimento ambientale senza discesa a terra, picco di velocità stabilizzatosi a un'altezza di seduta di 0.44 m, riga relativa a finestra e zona condizionatore indicante confidenza sotto soglia senza discesa a terra, e bersaglio non umano con sezione d'urto radar di 0.27. — SUPPRESS, dieci volte, con motivazioni. Anche le soppressioni costituiscono prova documentale, poiché un'ispezione statale chiede conto del motivo per cui non si è verificata alcuna azione. Ogni riga qui indica la motivazione, e la maggior parte specifica il valore della feature determinante: il piegamento con ritorno alla posizione eretta (Cam 12 e Cam 7), la seduta brusca stabilizzatasi a 0.44 m in bagno (Cam 10), la visita del cane da pet therapy con sezione d'urto radar di 0.27 a fronte del minimo umano di 0.55 (Cam 6).

Finestra modale dei risultati del turno di Vigil che mostra una proiezione di 0.0 falsi allarmi per stanza al giorno per il motore contro i 25 del sistema convenzionale sul golden set sintetico fisso, 0 contro 7 falsi allarmi in questo turno, 1 su 2 cadute reali rilevate, 1 inoltrata a un operatore umano a bassa confidenza, e il 100 percento di specificità sui fattori di confondimento su 360 eventi etichettati. — Il tabellone dei risultati, con il relativo ambito di validità. Motore: 1 allarme, 1 inoltro, 10 soppressioni, 0 falsi allarmi. Baseline ingenua: 9 allarmi, di cui 7 falsi. I valori di 0.0 e 25.0 per stanza al giorno sono proiezioni ricavate da un golden set sintetico fisso di 360 eventi ipotizzando 30 attivazioni benigne per stanza al giorno. Un progetto pilota reale punta a meno di 2 falsi allarmi per stanza al giorno dopo la calibrazione in shadow mode.

Cosa dimostra la demo e dove si ferma.

Sia la cascata sia la baseline ingenua ottengono una sensibilità di rilevamento delle cadute pari a 1.0 su un insieme fisso di 360 eventi sintetici etichettati e rumorosi. Ciò che le distingue è la specificità sui fattori di confondimento: 1.0 per la cascata contro 0.167 per la baseline. I pesi di fusione sono stati calibrati sui generatori di scenari della demo stessa, gli stessi generatori che creano tale golden set, ed è questa la prima obiezione che un lettore tecnico dovrebbe sollevare. La separazione resta tuttavia un risultato meritato e non artefatto: ciascun fattore di confondimento è generato in modo da sovrapporsi a una caduta reale sulle singole feature, ed è proprio per questo che il rilevatore ingenuo viene effettivamente ingannato.

Domanda	Cosa fa Vigil in questa demo	Cosa rimane escluso dalla demo
Rifiuto dei fattori di confondimento	Esegue la cascata a cinque stadi e registra il valore della feature determinante per ciascuna delle dieci soppressioni del turno.	Ottimizzazione in base al clutter, ai pattern di deambulazione e all'arredamento specifici della struttura, che costituisce l'attività di calibrazione per stanza.
Spazi a occupazione multipla	Inoltra alla verifica di un operatore a bassa confidenza anziché asserire una caduta, 40 volte su 40 nel benchmark fisso.	Tracciamento della singola persona e disambiguazione in spazi a occupazione multipla, rimandati a una versione successiva.
Documentazione probatoria per ispezioni e QAPI	Esporta un JSON di audit del turno con ogni allarme, inoltro e soppressione, con i valori delle relative feature determinanti e la motivazione di policy.	Qualsiasi scrittura nei registri EHR o MDS e qualsiasi interfaccia di interrogazione interattiva sull'audit.
Invio della chiamata infermieri	Genera sia un segnale a contatto pulito Rauland sia un payload MQTT e REST Ascom o Austco, registrati su log.	Hardware di chiamata infermieri fisicamente connesso, messa in servizio sul campo e certificazione del percorso implementato.

Cosa NON fa questa demo

Non utilizza hardware radar reale, veri impulsi chirp a 60 GHz o sensori installati: il front-end RF è un flusso sintetico di feature. Il percorso di chiamata infermieri è uno stub di adattatore registrato su log senza alcun dispositivo collegato. Non vi è alcuna scrittura di alcun tipo su registri EHR o MDS, né alcuna interrogazione interattiva in linguaggio naturale sui dati di audit. L'analisi predittiva dell'andatura, il rilevamento Wi-Fi per le aree comuni, la disambiguazione dell'occupazione multipla e il porting edge su silicio integrato costituiscono sviluppi futuri. Il reparto di degenza per disturbi della memoria, i relativi spazi, gli eventi e il cane da pet therapy sono sintetici; non vi sono residenti, clienti, progetti pilota né dati PHI. Vigil non è un dispositivo medico e non possiede alcuna autorizzazione FDA, né notifica 510(k), né validazione clinica, né certificazioni CMS o UL proprie; l'adattatore garantisce l'isolamento UL 1069/2560 sul percorso di inoltro della chiamata. Nulla di quanto mostrato sostituisce il personale, il giudizio clinico o la valutazione di un medico.

Domande che i responsabili clinici e operativi si pongono prima di affidarsi a un layer di rilevamento.

Quanti falsi allarmi riceverà effettivamente il personale del turno di notte?

Nessuno può rispondere onestamente a questa domanda basandosi su una demo, perciò è opportuno valutare l'ipotesi alla base di questo numero. Il dato di 0.0 per camera al giorno presuppone 30 attivazioni di movimento benigne per camera al giorno, un valore superiore ai 5-15 al giorno per camera riportati in letteratura per i sensori convenzionali, e deriva da un golden set sintetico fisso anziché da un reparto reale. Un progetto pilota reale punta a meno di 2 falsi allarmi per camera al giorno dopo la calibrazione in shadow mode, ed è a questo valore che dovete richiamarci.

È davvero possibile installarlo nel bagno di un residente?

Le feature radar non contengono immagini né video in nessun momento, quindi non c'è nulla di riconoscibile da acquisire, ed è questo che rende accessibile tale spazio. 19 stati USA hanno promulgato leggi sulle telecamere che disciplinano le stanze delle case di riposo, le quali consentono generalmente l'uso di una telecamera nella camera di un residente previo consenso e lasciano i bagni esclusi nella prassi per motivi di privacy. Qualsiasi implementazione richiede comunque una vostra revisione della privacy e una procedura di consenso dei residenti.

Ha rilevato tutte le cadute del turno?

No. Durante il turno della demo si sono verificate due cadute reali. Il motore ha segnalato con allarme la permanenza a terra prolungata (long-lie) nel bagno di Cam 3 con una confidenza di 0.99 e ha inoltrato l'evento di Cam 2 alla verifica del personale a bassa confidenza, poiché quello spazio conteneva due bersagli e il tracciamento della singola persona esula dalla copertura della V1. Un'asserzione sicura di caduta in una scena con due soggetti è esattamente l'errore che induce il personale di notte a smettere di credere al pannello, per cui l'ambiguità viene invece affidata a una persona.

Cosa mostro a un ispettore che chiede perché non è stato generato alcun allarme?

Il JSON di audit del turno esportato riporta ogni allarme, inoltro e soppressione con i valori delle relative feature determinanti e la motivazione di policy, sotto le chiavi di primo livello engine, facility, shift, metrics, events e _note. La nota clinica di incidente viene redatta separatamente a partire da tale documentazione strutturata per un dossier QAPI o un fascicolo CMS F689 e non è inclusa nell'esportazione. Un dettaglio utile da sapere prima di consegnarlo: l'esportazione registra il nome della build interna nel campo engine, non il nome del prodotto.

È un modello di IA a decidere se chiamare i miei infermieri?

No. Un modello non può mai generare un allarme autonomamente. Le condizioni narrative deterministiche — posizione eretta, discesa, impatto prolungato e livello del pavimento — devono essere tutte soddisfatte all'interno della stessa finestra di 8 secondi prima ancora che la P(fall) del classificatore venga consultata, per poi essere verificata rispetto a una soglia fissa di 0.70 che il modello non stabilisce. Una confidenza inferiore può comunque trasformare un allarme in una soppressione, per cui il modello vincola la decisione solo verso il basso e mai verso l'alto.

Dobbiamo sostituire il nostro sistema di chiamata infermieri per utilizzarlo?

L'adattatore di invio supporta entrambi i formati, quindi può interfacciarsi con entrambe le generazioni di sistemi di chiamata infermieri: un segnale relè a contatto pulito legacy Rauland, optoisolato garantendo l'isolamento UL 1069/2560, e un payload JSON moderno MQTT e REST Ascom o Austco. In questa demo si tratta di uno stub di adattatore registrato su log a cui non è collegato alcun hardware di chiamata infermieri. Vigil è il layer tra il sensore e il sistema già in uso nella struttura, non un sostituto di nessuno dei due.

Ricerca tecnica

La ricerca alla base di questa demo: l'architettura, la progettazione della verifica e il blueprint aziendale.

Soluzione completa

Esplora la soluzione Smart Facility Fall Detection →

Iniziate dagli spazi che oggi non potete monitorare.

Non vendiamo sensori. Costruiamo il layer di intelligence che rende utili i sensori, e lo abbiamo sviluppato per i gestori di residenze per anziani e per i team di tecnologia clinica che sanno già che rilevare la caduta è solo la metà più semplice.

Con il 63% delle strutture che segnala carenza di personale, un pannello che lancia falsi allarmi è la prima cosa che il turno di notte spegne. Un primo colloquio utile prende in esame il clutter fisso della vostra planimetria, le stanze che attualmente restano non monitorate e ciò che l'ultima ispezione statale vi ha effettivamente richiesto di produrre. Possiamo definire la calibrazione e il piano operativo in shadow mode al fianco del vostro team clinico.

Progettazione del layer di rilevamento

✓ Progettazione della cascata e delle feature
✓ Calibrazione del clutter per stanza
✓ Soglie deterministiche del gate
✓ Definizione del set di fattori di confondimento

Documentazione probatoria e integrazione

✓ Schema di audit del turno
✓ Mappatura dell'adattatore di chiamata infermieri
✓ Progettazione della sequenza di escalation
✓ Piano di calibrazione in shadow mode

Contattaci via WhatsApp Invia un'e-mail al nostro team