Basta un gesto domestico, il più innocente: chinarsi in fretta, abbandonarsi sul divano, sedersi con poca cerimonia. Per noi è vita quotidiana; per una telecamera governata da un algoritmo può diventare una piccola scena d’emergenza, con l’intelligenza artificiale nel ruolo del custode troppo zelante che suona l’allarme a ogni movimento brusco. Il problema, dunque, non è soltanto riconoscere una caduta. È imparare quando non chiamare aiuto.
Uno studio pubblicato il 14 agosto su Scientific Reports, condotto da ricercatori della Virginia Tech e del Carilion Roanoke Memorial Hospital, affronta proprio questo nodo con un sistema di intelligenza artificiale costruito su due stadi consecutivi. Il risultato più vistoso è una riduzione del 40,5% dei falsi positivi rispetto all’impiego del solo primo livello. Non è un esercizio accademico: negli Stati Uniti più di 14 milioni di persone dai 65 anni in su riferiscono almeno una caduta ogni anno, e le cadute costituiscono la principale causa di morte per trauma in questa fascia d’età.
Ma vediamo il paradosso dei numeri. In una struttura assistenziale la caduta autentica è rara, sommersa da ore e ore di passi, soste, piegamenti, alzate dal letto, riposi volontari. Nei dati esaminati, i fotogrammi con una caduta erano appena 8.667 su 454.574, cioè l’1,91% del totale; quelli senza cadute arrivavano a 445.907, con uno squilibrio superiore a 51 contro uno. L’algoritmo può così mostrarsi sensibilissimo e tuttavia diventare insopportabile, una specie di banditore elettronico che annuncia il pericolo anche quando qualcuno si è soltanto seduto con troppa energia.
La strategia? Un controllo in due tempi. Il primo modello passa al setaccio il flusso video ed è addestrato a peccare per prudenza: deve soprattutto evitare che una caduta gli sfugga. Le sequenze sospette vengono poi consegnate a un secondo livello, che riesamina le caratteristiche individuate dalla rete neurale e scarta una parte delle segnalazioni. Il primo sistema alza la mano; il secondo domanda se ne valga davvero la pena. Sensibilità e selezione, finalmente, non sono più costrette a recitare la stessa parte.
Per la prova sono stati accostati due mondi assai diversi: 190 video di cadute simulate e 300 registrazioni di cadute spontanee, avvenute ad anziani ospiti di strutture di assistenza a lungo termine. La distinzione conta. Fingere una caduta in un ambiente predisposto offre immagini ordinate, quasi da prova generale; cadere davvero significa invece movimenti irregolari, stanze affollate, ostacoli, luce variabile, corpi o arredi che coprono in parte la visuale. È qui che la tecnica lascia il laboratorio e incontra la confusione della vita.
I dati mostrano il guadagno, ma anche il prezzo. Con un solo stadio il sistema riconosceva l’88,5% delle cadute e raggiungeva una precisione del 23,3%. Introducendo il secondo filtro, il recall scendeva all’82,4%, mentre la precisione saliva al 32,2%; i falsi positivi passavano da 1.057 a 629, vale a dire 428 segnalazioni sbagliate in meno. In compenso, nel set di validazione non venivano riconosciuti altri 22 episodi. Gli autori non nascondono il compromesso: diminuire il frastuono degli allarmi può significare perdere qualche emergenza reale.
Un discorso a parte merita proprio quel 32,2%, che vieta entusiasmi da vetrina tecnologica. Per ogni segnalazione corretta restavano, all’incirca, due falsi positivi. Sedersi rapidamente, chinarsi o sdraiarsi di propria volontà continuano a confondere il sistema: gesti semplici per l’occhio umano, maschere ben riuscite per la macchina. Inoltre, i dati provengono da contesti istituzionali, con telecamere fisse e condizioni relativamente controllate; prima di immaginare un impiego generalizzato serviranno ambienti e popolazioni più eterogenei.
Non siamo dunque davanti a un sorvegliante autonomo capace di vedere tutto e di non sbagliare mai. Il passo avanti è più sobrio, e forse più utile: l’intelligenza artificiale non viene addestrata soltanto a gridare «caduta», ma anche a trattenersi. In un reparto, dove ogni segnale mette in moto l’attenzione di un operatore, il silenzio ben giudicato può valere quasi quanto l’allarme tempestivo.
⸻
Henley E., Stark N.E.-P., Reilly B. et al. “Fall detection in extreme class imbalance: a cascade architecture for real-world deployment”. Scientific Reports, 14 agosto 2026. DOI: 10.1038/s41598-026-62060-x.