Bijgewerkt op 4 augustus 2026
Als je dit leest, ben je waarschijnlijk bezig met het vergelijken van leveranciers. Het materiaal dat je ter beschikking staat, bestaat grotendeels uit marketingteksten. Daarom wil ik het artikel schrijven dat ik zelf zou willen lezen als ik in jouw schoenen stond.
Hieronder volgt:
- Allereerst leg ik uit dat de nachtdienst het echte probleem is, en niet de valpartijen op zich.
- Ten tweede bespreek ik de vijf soorten technologieën die op dit moment beschikbaar zijn.
- Ten derde: waarom „opsporing versus preventie” een verkeerd onderscheid is, en wat dan wel het juiste onderscheid is.
- Ten vierde: hoe moeten we de beweringen over de nauwkeurigheid van technologieleveranciers, waaronder die van ons, beoordelen?
- Ten vijfde: hoe zit het met privacy en technologie voor valpreventie?
- Ten zesde: de twee vragen die van belang zijn bij het kiezen van de juiste technologie voor uw organisatie.
Begin met de nacht, niet met de watervallen
Vallen is wereldwijd de op één na belangrijkste oorzaak van sterfte door onopzettelijk letsel, en jaarlijks zijn er ongeveer 37 miljoen gevallen die ernstig genoeg zijn om medische hulp te vereisen.[1]
In de Verenigde Staten geeft meer dan een op de vier 65-plussers aan elk jaar te vallen — meer dan 14 miljoen mensen — en minder dan de helft daarvan meldt dit aan de arts.[2][3]
Dat klopt allemaal, en op de website van elke leverancier staan dit soort cijfers. Toch geven ze je geen informatie waarop je daadwerkelijk kunt handelen.
Hier is de versie waarin dat wel het geval is. In een verzorgingstehuis kan een verzorgster om drie uur ’s nachts verantwoordelijk zijn voor dertig bewoners. Ze kan niet in dertig kamers tegelijk zijn. Dus loopt ze rondes, waardoor mensen wakker worden, en tussen de rondes door ziet ze niets. Een bewoner die op weg naar het toilet valt, ligt op de grond totdat de verzorgster toevallig kijkt. Die wachttijd is wat je in feite afkoopt.
Marlou Kuijper, coördinerend verpleegkundige bij Joriszorg, verwoordde het beter dan ik dat kan. Wat ze het meest waardeert, is dat ze de slaap van haar cliënten niet langer hoeft te verstoren om even bij hen te kijken. En als er toch een alarm afgaat, kan ze een collega vragen om de patiëntenlift (tilapparaat) alvast te halen voordat ze de kamer binnenkomt, in plaats van eerst uit te zoeken wat er is gebeurd en dan pas hulp te regelen. [5]
Daar is deze valdetectietechnologie voor bedoeld.
Welke soorten technologie worden er gebruikt voor valdetectie en -preventie?
Er bestaan verschillende soorten technologieën voor valdetectie en -preventie, die elk hun eigen voordelen en toepassingen hebben. De belangrijkste categorieën zijn draagbare apparaten, omgevingssensoren, camerasystemen en slimme vloersystemen.
Draagbare apparaten zoals smartwatches en valdetectiehangers zijn populair vanwege hun gebruiksgemak. Deze apparaten zijn uitgerust met versnellingsmeters en gyroscopen die plotselinge bewegingen kunnen detecteren die op een val duiden. Wanneer een val wordt gedetecteerd, kunnen ze automatisch een melding sturen naar zorgverleners of familieleden.
Omgevingssensoren worden op strategische plaatsen in woonruimtes geplaatst en kunnen bewegingspatronen volgen. Deze sensoren kunnen ongebruikelijke activiteiten detecteren, zoals langdurige inactiviteit of abrupte bewegingen. Camerasystemen met kunstmatige intelligentie bieden de meest geavanceerde oplossingen: ze maken gebruik van beeldherkenning om valrisico’s te identificeren en daadwerkelijke valpartijen in realtime te detecteren.
De vijf technologische categorieën, en waar ze elk tekortschieten
- Draagbare apparaten. Hangers, smartwatches, riemclips. Een versnellingsmeter en een gyroscoop kunnen een schok detecteren. Ze zijn goedkoop en ze werken — als je ze draagt en als je hard valt.
Er zijn twee manieren waarop het systeem kan falen. De eerste is menselijk: het apparaat ligt op de oplader, in een lade of op het nachtkastje, en bewoners met cognitieve achteruitgang dragen het het minst vaak en vallen het vaakst. De tweede is fysiek: een bewoner die langzaam uit een fauteuil glijdt of op de rand van het bed blijft haken, produceert mogelijk nooit een impact die groot genoeg is om de drempelwaarde te overschrijden.
- Passieve infrarood- en omgevingssensoren. Bewegingsdetectoren in de kamer, soms in combinatie met deurcontacten. Ze geven aan dat er iets heeft bewogen, of dat er al lange tijd niets heeft bewogen. Maar passieve infraroodsensoren kunnen niet aangeven wat er precies in de kamer gebeurt. De deur bewoog, maar is er iemand binnengekomen of weggegaan? Er bewoog iets vlak bij het bed, maar was dat een bewoner die opstond, of een kussen dat naar beneden viel?
- Bedsensoren. Drukmatten onder het matras, soms ernaast. Goed in één specifiek ding: detecteren of er iemand in bed ligt. Verder is er in de kamer niets te zien.
- Radar- en wifi-detectie. Echt interessant, en ik volg het onderzoek op de voet. Radiogolven worden door een lichaam weerkaatst en die weerkaatsingen veranderen wanneer het lichaam valt. Geen camera, en dat vinden mensen prettig.
Maar de huidige stand van de techniek biedt nog niet de betrouwbaarheid die een zorginstelling nodig heeft. De systemen hebben moeite als er meer dan één persoon in de kamer is, en je kunt het bed niet verplaatsen zonder het systeem opnieuw te kalibreren.
Het diepere probleem ligt bij de gegevens. Computervisie heeft de triljoenen foto’s geërfd die mensen met hun telefoons hebben gemaakt en op Facebook of elders op het internet hebben gepubliceerd, en elk algemeen visiemodel dat op dat corpus is getraind, tilt het hele vakgebied mee omhoog. Radar kent geen equivalent. Er bestaat geen omvangrijk openbaar archief van radiogolven die door vallende voorwerpen worden weerkaatst, en er is geen manier om zo’n archief tot stand te brengen. Die kloof dicht zich niet vanzelf; ze wordt elk jaar groter naarmate telefooncamera’s de wereld blijven vastleggen. Het is niet de technologie die ik vandaag de dag zou kiezen om voor mijn eigen moeder te zorgen.
- Camera’s met kunstmatige intelligentie. Dit is wat we ontwikkelen, dus lees de rest met dat in gedachten. Een slimme sensor houdt de kamer continu in de gaten en de software bepaalt wat er wordt waargenomen. Het werkt in het donker, vereist geen enkele actie van de bewoner en kan meer herkennen dan alleen valpartijen: uit bed vallen, op de rand van het bed zitten, de kamer verlaten, te lang in dezelfde houding liggen, onrust in bed. Het is de meest geavanceerde optie, en degene die een serieus gesprek over privacy vereist (later in deze blog).
Wat is het verschil tussen valdetectie en valpreventietechnologie?
Valdetectietechnologie reageert nadat een val heeft plaatsgevonden door automatisch hulp in te schakelen, terwijl valpreventietechnologie probeert vallen te voorkomen door risicosituaties vroegtijdig te herkennen en waarschuwingen te geven voordat een val plaatsvindt.
Valdetectiesystemen zijn ontworpen om zo snel mogelijk na een val een alarm te laten afgaan. Deze systemen zijn erop gericht de kenmerkende bewegingen en de impact van een val te herkennen, zodat binnen enkele seconden hulp kan worden ingeschakeld. Dit is van cruciaal belang om de tijd tussen een val en medische hulp zo kort mogelijk te houden.
Technologie ter voorkoming van valpartijen analyseert daarentegen gedragspatronen en omgevingsfactoren om risicosituaties te herkennen voordat er daadwerkelijk een val plaatsvindt. Deze systemen kunnen bijvoorbeeld een waarschuwing geven wanneer iemand ’s nachts opstaat en naar de badkamer loopt, een moment waarop het valrisico verhoogd is. Dankzij deze proactieve aanpak kunnen zorgverleners ingrijpen voordat er iets gebeurt.
Het onderscheid dat ertoe doet, is de lange leugen
Leveranciers, waaronder wijzelf, hebben jarenlang gesproken over „valdetectie“ versus „valpreventie“. Ik ben nu van mening dat die indeling een beetje een marketingtruc is. In een verzorgingstehuis doen zich drie verschillende situaties voor, die elk een andere aanpak vereisen.
- Een val waarbij getuigen aanwezig waren. Er is iemand aanwezig. De technologie voegt weinig toe.
- Een val zonder getuigen. Er is niemand aanwezig, en de duur van de tijd dat de bewoner op de vloer ligt, is in grote mate bepalend voor de klinische uitkomst. Dit is waar continue monitoring zijn nut bewijst, en waar een door gebeurtenissen geactiveerd draagbaar apparaat dat in een la ligt, niets waard is.
- Een situatie die op een val afstevent. Om 02:40 uur laat een bewoner haar benen over de rand van het bed zakken, en zij is iemand die die stap niet zonder hulp kan zetten. Er is niemand gevallen. Een waarschuwing voorkomt het incident nu, in plaats van het te melden.
Vraag technologieleveranciers welke van deze drie aspecten zij aanpakken. De meeste technologieën richten zich alleen op het tweede aspect (wearables, infrarood, bedsensoren). Het UZ Brussel gebruikt onze software voornamelijk voor het derde aspect: hun verplegend personeel krijgt een melding wanneer verwarde of ronddwalende patiënten uit bed komen of hun kamer verlaten. [5]
Hoe beoordeel je een bewering over de nauwkeurigheid, inclusief die van ons?
De standaardmaatstaf in computervisie is de gemiddelde precisie. Wij berekenen deze waarde op basis van honderdduizenden testafbeeldingen, wat ongeveer twee ordes van grootte meer is dan bij een typische academische benchmark, waardoor het cijfer betrouwbaar is. Het ligt boven de 99,99%. [4]
Ik noem dat cijfer alleen maar om je te laten weten dat het voor jou geen zin heeft. Zodra je zo dicht bij de 100% zit, geeft de ‘gemiddelde precisie’ geen beeld meer van de voortgang, en dat is nooit iets wat een zorgverlener ervaart. Ik heb nog nooit tegen een verpleegkundige over de gemiddelde precisie gesproken. Als een leverancier met een enkel nauwkeurigheidspercentage van meer dan 95% komt, vraag hem dan waar dat percentage op betrekking heeft. Vaak is er geen goed antwoord.
Er zijn twee cijfers die er wel degelijk toe doen, en die zijn allebei lastig te verkrijgen – en dat is precies de reden waarom je erom moet vragen.
Gemiste valpartijen. Een val die onze software niet registreert. Dit is moeilijk te meten, omdat we er alleen achter kunnen komen als een zorgverlener ons dit meldt; daarom stellen we zorginstellingen een rapportagetool ter beschikking en vragen we hen om dit te doen. Twee jaar geleden meldden onze klanten ongeveer één gemiste val per 277 videostreams per jaar. Nu is dat ongeveer één per 416. Over de periode van twintig maanden tot september 2025 bekeken, komt die trend neer op een afname van 44%. [4]
Let wel: dit geldt per stroom, niet per bewoner — een stroom kan betrekking hebben op een gang of een gemeenschappelijke ruimte, dus beschouw 416 stromen niet als 416 bewoners.
Vals alarm. Gemakkelijker te meten. Uit onze eigen kwaliteitscontrole van nieuw aangesloten sensoren bleek dat het interval tussen valfalsalarmen in de twaalf maanden tot maart 2025 is gestegen van 72 dagen naar 148 dagen. Het aantal door zorgverleners gemelde fouten bij al onze alarmtypes is in een vergelijkbare periode met bijna de helft gedaald. [4]
Even eerlijk over die cijfers. Verpleegkundigen hebben het druk en melden niet elke fout die onze software maakt. De trendlijnen hebben lage R-kwadraatwaarden (betrouwbaarheid). En bij veel installaties worden sensoren van slechte kwaliteit gebruikt, wat onze eigen statistieken naar beneden haalt.
Waarom wordt dit allemaal beter? Dertig software-updates in twintig maanden, negenendertig opnieuw getrainde neurale netwerken, drie nieuwe architecturen en een steeds groter wordende trainingsdataset. [4]
Privacy is belangrijk
Elke zorginstelling stelt vragen over camera’s in slaapkamers, en terecht. Een belofte om de beelden niet te bekijken, is weinig waard. Waar het om gaat, is waar de beelden worden verwerkt en wie er eventueel naar kijkt.
Ons serverproduct draait on-premise, binnen uw eigen netwerk, op uw eigen AI-servers. Ons embedded product draait op de camera zelf, op de Mobotix C71, waarbij het neurale netwerk zich op een chip bevindt op enkele centimeters afstand van de lens. Tijdens normaal gebruik ontvangt de zorgverlener op zijn of haar telefoon een alarmmelding – dat een bewoner is gevallen of de kamer heeft verlaten – en geen videobeelden. Niemand zit naar een muur vol monitoren te kijken, omdat er geen muur vol monitoren is.
Er is één uitzondering. Wanneer een zorgorganisatie bij ons begint, vragen we toestemming om de alarmen die onze software genereert te bekijken, zodat we kunnen controleren of ze terecht waren. En in het zeldzame geval dat een zorgverlener een val meldt die wij over het hoofd hebben gezien, vragen we of we die beelden mogen bekijken, zodat we deze aan onze trainingsgegevens kunnen toevoegen en dit soort valpartijen voortaan niet meer missen. Beide gebeuren uitsluitend met uitdrukkelijke toestemming, en we zijn gecertificeerd volgens ISO 27001 en NEN 7510, waardoor we dit mogen doen.
De twee vragen die ik zou stellen om je te helpen bij je keuze
Onze software wordt gebruikt door 91 zorginstellingen in Nederland, en daarnaast ook door instellingen in België, Noorwegen en daarbuiten. Ik ga niet doen alsof daarmee de kous af is.
Dit is wat ik in jouw plaats zou doen. Vraag elke leverancier op je shortlist om twee cijfers: het aantal gemiste valpartijen per stream per jaar, en het gemiddelde aantal dagen tussen valse alarmen. Vraag vervolgens hoe elk cijfer is gemeten en door wie. De meesten kunnen daar geen antwoord op geven. Dat zegt wel iets.
En test ons dan maar eens. Je kunt onze embedded software een maand lang gratis op een Mobotix C71 uitproberen. Als je systeemintegrator iets anders aanbeveelt, vraag haar dan om ons product ernaast te testen.
Neem contact met ons op om te ontdekken hoe onze valpreventietechnologie uw zorginstelling kan helpen de patiëntveiligheid te verbeteren en de inzet van het personeel te optimaliseren.
Referenties
[1] Wereldgezondheidsorganisatie. Valpartijen (informatieblad), 26 april 2021. Geraadpleegd op 3 augustus 2026. https://www.who.int/news-room/fact-sheets/detail/falls
[2] Centers for Disease Control and Prevention. Gegevens over valincidenten bij ouderen, bijgewerkt op 26 februari 2026. Geraadpleegd op 3 augustus 2026. https://www.cdc.gov/falls/data-research/index.html
[3] Centers for Disease Control and Prevention. Feiten over valpartijen, bijgewerkt op 27 januari 2026. Geraadpleegd op 3 augustus 2026. https://www.cdc.gov/falls/data-research/facts-stats/index.html
[4] Stokman, H. Is het de moeite waard om een jaarlijkse vergoeding te betalen voor software-updates? Blog van de CEO van Kepler Vision Technologies, 14 oktober 2025. https://keplervision.eu/en/ceo-blog-is-it-worth-paying-a-yearly-fee-for-software-updates/
[5] Kepler Vision Technologies. Casestudies. https://keplervision.eu/en/case-studies/
Vanlige spørsmål
How long does it take to implement a fall prevention system in a care facility?
The implementation of a modern fall prevention system typically takes 1-3 days, depending on the size of the facility. Thanks to plug-and-play technology, most systems can be operational within hours, with minimal disruption to daily care activities.
Can residents disable or bypass the fall prevention technology?
Advanced camera systems cannot be disabled by residents, ensuring continuous protection. With wearable devices this is possible, which can be a disadvantage. Modern AI systems therefore often offer the most reliable 24/7 monitoring without dependence on resident cooperation.
What happens if the fall prevention system has a technical malfunction?
Professional fall prevention systems have built-in redundancy and backup systems to prevent outages. In case of technical problems, administrators receive automatic notifications, and most suppliers offer 24/7 technical support with fast response times for critical care applications.
How are care staff trained in the use of fall prevention technology?
Training usually consists of a short instruction session of 1-2 hours in which staff learn how to receive, interpret and respond to alarms. Most systems are intuitively designed with clear interfaces, so minimal training is required for effective use.
Can fall prevention systems distinguish between different types of incidents?
Yes, advanced AI systems can recognize different situations, such as falls, prolonged lying, unusual inactivity or emergency situations. They can also distinguish between normal activities and real emergencies, providing caregivers with specific information about the type of incident.
What costs are associated with implementing fall prevention technology?
Costs vary depending on the type of system and the size of the facility, but modern systems are often more cost-effective than traditional care methods. Many suppliers offer flexible subscription models, and the investment is often recouped through reduced staff costs and lower insurance payouts.
How is the privacy of residents guaranteed when using camera systems?
Modern AI systems process images locally and automatically, without people being able to view the images. Only relevant alarm information is forwarded to caregivers. All data is stored encrypted and systems comply with GDPR regulations and care sector-specific privacy standards such as NEN 7510.