AFFILIAZIONE
Dipartimento di Ingegneria ed Architettura, Università degli Studi di Trieste
AUTORE PRINCIPALE
Dr. Ing. Kresevic Simone
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
AREA TEMATICA
Applicazioni innovative di ingegneria per la sanità: idee dalle Università
ABSTRACT
La presa in carico domiciliare degli anziani fragili è una sfida crescente: in Italia quasi 4 over 65 su 10 vivono da soli. Gli strumenti disponibili per monitorarli risultano spesso invasivi, poco interpretabili o difficilmente integrabili nei processi assistenziali, rendendo difficile coniugare continuità del monitoraggio, privacy e sostenibilità operativa.
Il sistema AI-based (AMICA) sviluppato nel progetto TechCare (PNC Anthem) affronta questo bisogno con un approccio privacy-first: una piattaforma che trasforma dati grezzi dei sensori ambientali in informazioni utili per caregiver e centrali operative. Il progetto è stato realizzato con PrivatAssistenza S.p.A. e altri partner clinico-assistenziali.
La soluzione integra quattro livelli funzionali: monitoraggio ambientale continuo, rappresentazione strutturata del comportamento domestico, moduli di intelligenza artificiale e gestione operativa degli eventi. L’AI costruisce una lettura dei pattern quotidiani, identifica scostamenti significativi e genera notifiche intelligenti.
Come primo proof of concept è stato sviluppato e validato il modulo per la stima automatica del comportamento dell’anziano in casa, rilevando scostamenti come indicatori di potenziale deterioramento o evento critico. Gli output, quali allarmi, timeline e aggregati giornalieri, sono consultabili via app caregiver e portale della centrale operativa.
Il sistema adotta una Hierarchical Finite State Machine su tre livelli che fornisce feature simboliche e temporali elaborate poi da un modello Transformer. Questa architettura ibrida migliora la robustezza e l’interpretabilità rispetto agli approcci su segnali grezzi. La validazione in 8 abitazioni reali (fino a 3 mesi di acquisizione dati sul campo) ha prodotto risultati elevati: F1-score 0,96, MCC 0,94, PR-AUC 0,99, con un miglioramento relativo di circa il 10% sui dati grezzi. Attualmente è in corso il test operativo che vedrà coinvolte più di 100 utenze in tutta Italia.
Per la centrale operativa il risultato si traduce nella possibilità di leggere l’andamento dell’assistito, intercettare variazioni rilevanti e allocare interventi con maggiore appropriatezza. Il modulo validato è il primo tassello di una piattaforma che, con l’accumulo di ulteriori dati reali, evolverà verso il riconoscimento di pattern comportamentali complessi e la stratificazione dinamica del rischio, abilitando un’assistenza domiciliare proattiva e scalabile.
Il sistema AI-based (AMICA) sviluppato nel progetto TechCare (PNC Anthem) affronta questo bisogno con un approccio privacy-first: una piattaforma che trasforma dati grezzi dei sensori ambientali in informazioni utili per caregiver e centrali operative. Il progetto è stato realizzato con PrivatAssistenza S.p.A. e altri partner clinico-assistenziali.
La soluzione integra quattro livelli funzionali: monitoraggio ambientale continuo, rappresentazione strutturata del comportamento domestico, moduli di intelligenza artificiale e gestione operativa degli eventi. L’AI costruisce una lettura dei pattern quotidiani, identifica scostamenti significativi e genera notifiche intelligenti.
Come primo proof of concept è stato sviluppato e validato il modulo per la stima automatica del comportamento dell’anziano in casa, rilevando scostamenti come indicatori di potenziale deterioramento o evento critico. Gli output, quali allarmi, timeline e aggregati giornalieri, sono consultabili via app caregiver e portale della centrale operativa.
Il sistema adotta una Hierarchical Finite State Machine su tre livelli che fornisce feature simboliche e temporali elaborate poi da un modello Transformer. Questa architettura ibrida migliora la robustezza e l’interpretabilità rispetto agli approcci su segnali grezzi. La validazione in 8 abitazioni reali (fino a 3 mesi di acquisizione dati sul campo) ha prodotto risultati elevati: F1-score 0,96, MCC 0,94, PR-AUC 0,99, con un miglioramento relativo di circa il 10% sui dati grezzi. Attualmente è in corso il test operativo che vedrà coinvolte più di 100 utenze in tutta Italia.
Per la centrale operativa il risultato si traduce nella possibilità di leggere l’andamento dell’assistito, intercettare variazioni rilevanti e allocare interventi con maggiore appropriatezza. Il modulo validato è il primo tassello di una piattaforma che, con l’accumulo di ulteriori dati reali, evolverà verso il riconoscimento di pattern comportamentali complessi e la stratificazione dinamica del rischio, abilitando un’assistenza domiciliare proattiva e scalabile.
