Fald-næstved

Digitalt tilsyn

AI-baseret monitoreringsløsning på plejehjem, der anvender computer vision til at overvåge beboere i realtid. Systemet registrerer søvn, vækning, mobilitet og fald.

  • Næstved Kommune

Beskrivelse af systemet

I. Hvor bruges systemet og hvad bruges det til?

Systemet bruges på plejehjem i Næstved Kommune, primært på:

  • Plejecentret Kildemarksvej (oprindelig implementering med ca. 100 beboere)
  • Plejecentret Symfonien (nyere implementering)

Formål:

  • Forebygge og hurtigt opdage faldulykker blandt plejehjemsbeboere
  • Forbedre beboernes søvnkvalitet ved at undgå unødvendige fysiske tilsyn
  • Optimere personalets arbejdsgange og ressourceforbrug
  • Monitorere beboere i realtid når de sover
  • Registrere når beboere er vågne, på vej ud af sengen eller er faldet

Teknisk funktion: Systemet anvender kameraer placeret på beboernes værelser, der via computer vision omdanner kamerabilleder til metadata. Beboerne visualiseres som animerede figurer (tændstikmænd) og anonymiseres derved. Personalet kan via iPad og mobiltelefoner følge med i beboernes status og modtager alarmering ved kritiske situationer.

II. Hvornår blev det implementeret?

April 2022 - Pilotprojekt startede på Plejecentret Kildemarksvej med 20 enheder

2023-2024 - Gradvis opskalering på Kildemarksvej til fuld implementering (ca. 100 beboere)

2024-2025 - Udrulning til Plejecentret Symfonien med 3,5 millioner kr. i finansiering fra kommunens socialudvalg til fuld skalering på begge centre

III. Hvordan gør systemet brug af kunstig intelligens?

Teknologi:

  • Computer vision (billedegenkendelse)
  • Deep learning (dyb læring)
  • Edge computing - databehandling sker lokalt via minicomputer hos beboeren

AI-funktioner:

  • Automatisk monitorering af beboeres bevægelser og positioner i realtid
  • Genkendelse af kritiske situationer (fald, faldrisiko, urolig søvn)
  • Søvnanalyse og registrering af vågen/sovende status
  • Mobilitetsvurdering (fx når beboer sidder på sengekanten)
  • Åndedrætsfrekvensanalyse
  • Prædiktiv monitorering for at forudse kritiske situationer
  • Kontinuerlig læring og tilpasning til individuelle beboeres mønstre

Databehandling: Systemet processerer videobilleder i realtid og konverterer dem til strukturerede metadata uden at gemme de oprindelige videobilleder. Den lokale databehandling sikrer privatliv ved design (privacy by design).

IV. Hvilke data er blevet brugt til at træne algoritmen?

Ifølge Teton.ai's egen dokumentation:

  • Træningsdata blev genereret ved at omdanne en hospitalsafdeling til et "filmset"
  • Skuespillere blev rekrutteret til at simulere forskellige patientscenarier
  • Forskellige bevægelsesmønstre, faldscenarier og søvnpositioner blev optaget og annoteret
  • Data fra pilotimplementeringer blev brugt til kontinuerlig forbedring

Datakategorier:

  • Bevægelsesdata (positionsændringer, mobilitet)
  • Søvndata (søvnpositioner, søvnkvalitet, vågen/sovende)
  • Falddata (fald og nær-fald situationer)
  • Åndedrætsdata (frekvens og mønstre)
V. Hvilke sikkerhedsforanstaltninger findes der?

Tekniske sikkerhedsforanstaltninger:

Edge computing - Al databehandling sker lokalt hos beboeren på en minicomputer, minimerer dataoverførsel

  • Anonymisering - Kamerabilleder konverteres øjeblikkeligt til metadata, beboere vises som animerede figurer
  • Privacy by design - Oprindelige videobilleder gemmes ikke
  • Ingen central server - Persondata uploades ikke til centrale servere
  • Integration med eksisterende systemer - Data integreres sikkert i kommunens omsorgssystem Nexus

Organisatoriske sikkerhedsforanstaltninger:

  • Samtykke fra beboere (eller værger for demensramte)
  • Information til pårørende gennem aftenmøder
  • Grundig medarbejderuddannelse
  • GDPR-compliance vurderes løbende

Bemærk: Der har været juridisk debat om lovligheden, med Datatilsynet og flere kommuner der har udtrykt bekymring om GDPR-compliance, særligt vedrørende samtykke fra demensramte borgere.

VI. Har systemet været afprøvet gennem f.eks. pilotprojekter? Blev der identificeret konkrete (etiske, juridiske, tekniske) udfordringer? Blev disse udbedret? Hvordan?

Pilotprojekt: Ja, systemet blev afprøvet på Plejecentret Kildemarksvej fra april 2022 med 20 enheder.

Resultater fra pilotprojekt:

  • Responstid ved fald reduceret fra op til 2 timer til ca. 5 minutter
  • Antallet af natlige fysiske tilsyn reduceret fra op til 300 til væsentligt færre
  • Arbejdsbyrden på nattevagter reduceret med ca. 25%
  • Færre forstyrrelser af sovende beboere
  • Bedre søvnkvalitet for beboerne
  • Næstved Kommune vandt en innovationspris for teknologien

Identificerede udfordringer:

  • Medarbejderaccept - Behov for grundig introduktion og hænder-på erfaring
  • Lokale tilpasninger - Hver implementering kræver tilpasning til det specifikke plejehjem
  • Integration - Nødvendigt at integrere med eksisterende IT-systemer (Nexus)
  • Juridiske bekymringer - GDPR-compliance og samtykkeproblematik
  • Pårørende bekymringer - Behov for transparens og information

Udbedringsstrategier:

  • Leverandørengagement - Teton.ai har medarbejdere der følger nattevagter i hele uger for at forstå arbejdsgange
  • Brugercentreret design - Løsningen designes sammen med personalet
  • Hver implementering som ny pilot - Nye baselinemålinger ved hver implementering
  • Tidlig inddragelse - Personalet får hurtigt teknologien i hænderne
  • Pårørendeaftener - Information og dialog med pårørende
  • Integration krav - Data integreres direkte i eksisterende systemer for at undgå dobbeltarbejde
VII. Hvordan er begrundelsen for indføring af systemet?

Primære begrundelser:

Demografisk pres:

  • Stigende antal ældre borgere med plejebehov
  • Mangel på plejepersonale (globalt forventes 13 millioner ledige plejejobs i 2030)

Patentsikkerhed:

  • Hurtigere respons på faldulykker (fra 2 timer til 5 minutter)
  • Forebyggelse af følgeskader ved langvarig liggetid på gulv
  • Reduceret risiko for nedkøling og fysisk/mental belastning ved fald

Beboerlivskvalitet:

  • Færre forstyrrende natlige tilsyn
  • Bedre søvnkvalitet
  • Mere målrettet og personaliseret pleje
  • Øget tryghed for beboere og pårørende

Personaletrivsel:

  • Reduceret arbejdsbyrde (25% færre opgaver på nattevagt)
  • Mindre stress ved at kunne prioritere indsatser
  • Mindre bekymring for oversete fald
  • Mere tid til relationsarbejde og kerneopgaver

Ressourceoptimering:

  • Mere effektiv brug af personalets tid
  • Mulighed for at fokusere ressourcer hvor behovet er størst
  • Potentielle besparelser ved færre faldrelaterede skader
VIII. Er lignende systemer blevet implementeret andres stede? Eventuelt, hvilke erfaringer er der derfra.

I Danmark:

  • 8-9 andre kommuner har implementeret eller er i gang med at implementere systemet
  • 6 hospitaler anvender lignende løsninger fra Teton.ai
  • Nykøbing Falster Hospital
  • Næstved Hospital (udover plejehjem)
  • Regionshospital Nordjylland, Ældremedicinsk Afdeling i Hjørring (viste markant færre fald)
  • Holbæk Kommune
  • Allerød Kommune

Internationale planer: Teton.ai har rejst finansiering (20 millioner USD i 2025) til ekspansion i:

  • Norden
  • Tyskland
  • Storbritannien
  • USA

Generelle erfaringer:

  • Teknologien er skalerbar og kan tilpasses forskellige kontekster
  • Hver implementering kræver lokal tilpasning
  • Succesfaktorer inkluderer tidlig medarbejderinddragelse, grundig uddannelse, og leverandørens tætte opfølgning
  • Juridiske og etiske overvejelser varierer mellem jurisdiktioner
IX. Kilder

Primære kilder:

Digitaliseringsstyrelsen:

Viden på Tværs (VPT):

Teton.ai (leverandør):

LinkedIn - Teton:

EU-Startups:

Ingeniøren:

DK AI:

Kontaktpersoner nævnt i kilderne:

  • Sander Louis Lorell, Velfærdsteknologikonsulent, Næstved Kommune
  • Jane Rostock, Teamleder, Symfonien
  • Mikkel Wad Thorsen, CEO, Teton.ai
  • Claus Ipsen, Kommerciel direktør, Teton.ai
  • Esben Klint Thorius, CTO, Teton.ai

Bidrag til offentlig-ai

Har du supplerende oplysninger, ønsker du ændringer som projektejer eller vil du give et bidrag til offentlig-ai.dk og vores arbejde med at synliggøre AI i den offentlige sektor?

Bidrag med oplysninger til offentlig-ai.dkStøt forskningen finansielt
Klassifikationsbegrundelse
Systemet overvåger proaktivt plejehjemsbeboere kontinuerligt via sensorer og registrerer søvn, fald og bevægelse. Det er ADS på individniveau, og output er prioriterede alarmer til personalet om situationer der kræver handling.
Ændringshistorik (3 opdateringer)
Algoritmisk reguleringsklassifikation tilføjet
Kilde: Laage-Thomsen & Ratner (2025), Politica 57(2) (2026-06-30)
Felt opdateret
Vis detaljer
+ Leverandør: Ukendt leverandør
Oprettet
Citér dette projekt

APA 7

Næstved Kommune. (2022). Digitalt tilsyn. I «Offentlig AI – Database over kunstig intelligens i den offentlige sektor». Tilgået 7. september 2026 fra https://offentlig-ai.dk/projekter/digitalt-tilsyn

Citér databasen

APA 7

Küçüksu, A., & Gyldenkærne, C. H. (2026). Offentlig AI - Kunstig Intelligens i det offentlige v2 [Data set]. Zenodo. https://doi.org/10.5281/zenodo.20660412