Intel·ligència ambiental a l’hospital: pot l’espai anticipar les necessitats del pacient?

Sí, però en un sentit més concret del que suggereix la ciència-ficció. Un espai pot reconèixer que és de nit, que el soroll s’ha mantingut elevat o que la llum no coincideix amb una preferència registrada, i proposar una resposta segura. No pot concloure, només amb aquestes dades, que el pacient té ansietat, deliri o dolor.

La promesa útil de la intel·ligència ambiental no és que l’habitació «entengui» la persona. És que detecti context, redueixi càrrega evitable i comprovi el resultat sense substituir l’equip assistencial.

Quan l’habitació deixa de ser passiva

La intel·ligència ambiental combina quatre peces: sensors, informació de context, regles o models i una resposta possible. Aquesta resposta pot ser una recomanació, un avís o un ajust dins de límits predefinits.

Els sensors poden mesurar il·luminació, soroll, temperatura, humitat, qualitat de l’aire o ocupació. El context afegeix l’hora, el tipus d’espai, una activitat assistencial o una preferència consentida. No sempre cal un model d’IA complex: una regla transparent i ben validada pot ser més segura.

Una revisió d’aplicacions sanitàries sensibles al context mostra que la ubicació, l’activitat, l’hora i la història prèvia figuren entre les dades utilitzades. El repte no és només captar-les, sinó convertir-les en una actuació útil.

Què pot anticipar de manera realista?

Un sistema ben delimitat podria:

• detectar una càrrega acústica sostinguda i suggerir un mode nocturn;
• adaptar gradualment la llum a l’horari i a una preferència coneguda;
• avisar d’una combinació ambiental fora dels marges acordats;
• suspendre un estímul durant una cura, una visita o una alarma clínica;
• recordar una configuració acceptada i preguntar abans de reutilitzar-la.

Això és anticipació ambiental, no predicció clínica. Una revisió sobre intel·ligència ambiental en salut va descriure un ampli potencial per donar suport a la cura, però les capacitats tècniques no equivalen a resultats clínics demostrats. Una revisió de 2024 sobre monitoratge continu amb IA també va trobar discrepàncies entre les capacitats promeses i l’evidència disponible. Detectar millor el context no demostra, per si sol, menys complicacions, menys medicació o una recuperació més ràpida.

Un sensor no observa la realitat: en fa una estimació

Un sensor pot estar mal calibrat, bloquejat o atribuir una dada a la persona equivocada en una habitació compartida. La falta de moviment no sempre significa son; el silenci no equival a calma, i un pic de soroll pot correspondre a una intervenció necessària.

Per això cal mesurar tant els falsos positius com les necessitats que el sistema no detecta. Massa avisos generen fatiga i poden afegir treball. Una revisió d’AHRQ sobre sistemes de monitoratge no va trobar millores consistents amb les alertes primerenques per si soles. Encara que estudiava monitoratge clínic, la lliçó és transferible: una alerta només té valor si arriba a la persona adequada, en el moment oportú i amb una acció clara.

Privacitat i ciberseguretat també són seguretat clínica

Una habitació no hauria de recollir més dades de les necessàries. Per estimar decibels pot ser suficient processar el nivell sonor localment, sense enregistrar converses. Per detectar ocupació potser no cal una càmera. El processament al dispositiu, la retenció curta i l’emmagatzematge d’esdeveniments en lloc de senyals crus poden reduir exposició.

La protecció de dades des del disseny i per defecte exigeix pensar en finalitat, base jurídica, transparència, accés, conservació i drets abans del desplegament. Que una dada no inclogui el nom del pacient no garanteix que sigui anònima.

També cal inventariar dispositius, segmentar xarxes, autenticar accessos, xifrar comunicacions, actualitzar el software i preparar la resposta a incidents. Un sistema ha de fallar de manera segura: si perd connexió, la llum o la ventilació no poden quedar en una configuració perillosa. ENISA recorda que l’augment de dispositius connectats amplia la superfície d’atac dels hospitals.

Biaix i supervisió humana

Els models aprenen de les dades dels sensors i de les decisions prèvies. Si les dades representen sobretot pacients mòbils, habitacions individuals o un únic servei, el rendiment pot degradar-se en altres grups. Una persona amb mobilitat reduïda, neurodivergent o amb una manera diferent d’expressar malestar no hauria de quedar atrapada en una interpretació estàndard.

Cal validar localment, analitzar resultats per subgrups i revisar el sistema després del desplegament. La resposta automàtica hauria de limitar-se a marges ambientals segurs i reversibles. Les recomanacions amb més incertesa necessiten confirmació, i les decisions clíniques han de continuar en mans professionals. Sempre hi ha d’haver un control manual visible.

La regulació depèn de la funció, no de l’etiqueta

No tota automatització hospitalària és un producte sanitari ni tot ús d’IA en un hospital és automàticament d’alt risc. La categoria jurídica aplicable depèn sobretot de la finalitat prevista. En una IA vinculada a un producte sanitari, també importen la classificació del producte i si està subjecte a una avaluació de conformitat per tercers.

Un sistema que ajusta llum per confort no és equivalent a un software que detecta deteriorament, orienta una decisió terapèutica o afirma tractar insomni. En aquests casos poden entrar en joc el Reglament de productes sanitaris i el Reglament europeu d’IA, a més del RGPD i les obligacions de ciberseguretat. La guia europea sobre la interacció entre MDR i AI Act confirma que més d’un marc pot aplicar-se al mateix producte. La revisió reguladora ha de començar abans de fixar les promeses comercials.

Com provar-ho sense saltar-se etapes

Un pilot prudent pot seguir sis passos:

1. Escollir un únic problema ambiental i declarar què queda fora d’abast.
2. Mapar dades, riscos, responsables i alternatives menys invasives.
3. Executar primer en «mode ombra»: observar sense actuar.
4. Mesurar precisió, falsos avisos, omissions, diferències entre grups i càrrega professional.
5. Activar només respostes reversibles, amb límits i control manual.
6. Avaluar confort, acceptabilitat, seguretat i incidències abans d’escalar.

L’objectiu no és automatitzar més, sinó intervenir millor. NeumaCare explora aquesta lògica per convertir l’entorn en una variable de cura sense confondre adaptació amb diagnòstic. Si el teu centre vol definir un pilot gradual i governable, parlem-ne.

Preguntes freqüents

Fonts i lectura científica

1. Haque A, Milstein A, Fei-Fei L. (2020). Illuminating the dark spaces of healthcare with ambient intelligence. Nature.
2. Zon M, Ganesh G, Deen MJ, Fang Q. (2023). Context-Aware Medical Systems within Healthcare Environments: A Systematic Scoping Review to Identify Subdomains and Significant Medical Contexts. International Journal of Environmental Research and Public Health.
3. Aagaard N, Aasvang EK, Meyhoff CS. (2024). Discrepancies between Promised and Actual AI Capabilities in the Continuous Vital Sign Monitoring of In-Hospital Patients. Sensors.
4. Winters BD et al. (2024). Patient Monitoring Systems To Prevent Failure To Rescue: Rapid Review. Making Healthcare Safer IV, Agency for Healthcare Research and Quality.
5. Lindroth H et al. (2024). Applied Artificial Intelligence in Healthcare: A Review of Computer Vision Technology Application in Hospital Settings. Journal of Imaging.
6. World Health Organization. (2023). Regulatory considerations on artificial intelligence for health.
7. WHO Regional Office for Europe. (2025). Health data governance in the age of artificial intelligence.
8. European Data Protection Board. Data protection by design and by default.
9. European Union Agency for Cybersecurity. Health-sector cybersecurity.
10. Artificial Intelligence Board and Medical Device Coordination Group. (2025). MDCG 2025-6: Interplay between the MDR/IVDR and the Artificial Intelligence Act.