SafeCare NEO

Despliegue de Vultr para el backend
M5 Stack monitoreo neonatal
Incubadora prototipo
Registro de datos en tiempo real
BME280 recopilando datos
Interfaz web sin anomalias
Interfaz web con anomalias
Interfaz web generación de reporte con IA
Aplicación móvil en funcionamiento
Aplicación móvil con anomalía
Aplicación móvil en estado de alerta
Aplicación móvil previsualización monitoreo
Esquemático de M5 Stack
Esquemático dual mcuone y bme280
Esquemático espcam
API ejecutandose vultr
Visión por computadora para reconocimeinto de mala postura

Inspiration

Nuestra inspiración nace de la crisis de saturación en las Unidades de Cuidados Intensivos Neonatales, donde la carga operativa del personal médico y la "fatiga de alarmas" ponen en riesgo la seguridad de los pacientes más vulnerables. Nos propusimos diseñar una solución que no solo fuera tecnológicamente avanzada, sino factible y humana, capaz de devolverle tiempo vital a las enfermeras y brindar tranquilidad a los padres mediante un monitoreo inteligente, preventivo y proactivo.

What it does

SafeCare NEO es un ecosistema de monitoreo integral que transforma la telemetría de incubadoras en diagnósticos preventivos en tiempo real. Utilizando hardware basado en M5Stack y visión computacional, el sistema detecta anomalías en signos vitales y riesgos de asfixia por posición, generando automáticamente reportes médicos estructurados mediante IA; estos informes se distribuyen de forma dual: un reporte técnico profundo para el personal clínico y uno empático y accesible para los padres a través de una aplicación móvil.

How we built it

Construimos el proyecto bajo una arquitectura de integración vertical, utilizando nodos sensores ESP32 (M5Stack) que se comunican con un backend robusto en Node.js y Express contenido en Docker. Implementamos una base de datos en MongoDB Atlas para la persistencia, una Nube Privada Virtual (VPC) en Vultr para el procesamiento seguro de video, e integramos las APIs de Gemini y ElevenLabs para el análisis de datos y la síntesis de voz, cerrando el ciclo de confianza con el registro inmutable de eventos en la red de Solana.

Challenges we ran into

El mayor desafío técnico fue garantizar la estabilidad de la comunicación en entornos de red locales complejos, lo que nos obligó a profundizar en configuraciones de red, firewalls y gestión de IPs dinámicas para que el hardware y el backend dockerizado interactuaran sin latencia. Asimismo, diseñar algoritmos de tolerancia a fallos que permitieran la recolección de datos offline y la posterior sincronización fue un reto crítico para asegurar que el monitoreo del neonato nunca se detuviera ante una caída de internet.

Accomplishments that we're proud of

Estamos orgullosos de haber logrado un sistema funcional que integra diversas tecnologías en un flujo de trabajo cohesivo y escalable. Haber desarrollado un modelo capaz de predecir anomalías antes de que ocurran y traducir dictados de voz médicos en reportes profesionales de forma automática es un hito que demuestra el potencial de la ingeniería mexicana para resolver problemas de salud pública con estándares internacionales de seguridad y eficiencia.

What we learned

Este proyecto fue una curva de aprendizaje intensiva en el dominio de infraestructuras críticas y despliegue en la nube mediante Vultr, además de la implementación de tecnologías descentralizadas con Solana para la integridad de datos médicos. Perfeccionamos nuestras habilidades en el manejo de modelos de lenguaje de última generación (Gemini) y aprendimos la importancia de la experiencia de usuario (UX) al diseñar interfaces diferenciadas para médicos y familias, comprendiendo que la tecnología debe ser, ante todo, un puente de empatía.

What's next for SafeCare NEO

Nuestro enfoque futuro se centra en la optimización de costos y escalabilidad. Planeamos reducir el costo por unidad mediante el desarrollo de hardware propio y la transición a microcontroladores de ultra bajo costo, facilitando su adopción en hospitales con presupuestos limitados. En cuanto al alcance, implementaremos una red WiFi Mesh para dar cobertura total a pabellones neonatales sin necesidad de cableado costoso, y migraremos el procesamiento de IA hacia el "Edge" para reducir gastos operativos de nube y garantizar la autonomía del sistema en zonas con baja conectividad.

Built With

arduinoide
c++
css
docker
elevenlabs
esp32
expo.io
express.js
figma
gemini
github
google-cloud
htm
iot
javascript
mongodb
node.js
notion
realtime-register
solana
visual-studio
vultr
yolo

Submitted to

Hackathon Troyano 2026

Created by

Durante este Hackathon, consolidé la integración final de versiones en Git y supervisé la operatividad de todas las APIs para garantizar un ecosistema estable y escalable. Implementé inteligencia artificial directamente en el M5Stack, vinculando el hardware embebido e IoT con algoritmos distribuidos para el procesamiento eficiente de datos. Un avance clave fue la integración de un modelo de visión por computadora basado en YOLO, el cual permite detectar en tiempo real si la respiración del bebé está siendo obstruida por algún objeto externo, añadiendo una capa de seguridad visual crítica a la telemetría. Finalmente, ejecuté el despliegue del backend en un servidor VPS de Vultr, logrando una conexión robusta con la base de datos que garantiza la disponibilidad global de la plataforma para proteger a los pacientes de forma integral.

Salvador Camacho
Desarrollé un sistema de monitoreo inteligente para neonatos, implementé la telemetría con ESP32 y sensores BME280 para capturar datos ambientales en tiempo real, y diseñé un modelo de visión artificial usando Python y YOLOv8 para la detección automática de la postura del bebé (boca arriba/boca abajo), optimizando la seguridad en incubadoras.

Emmanuel Núñez Peña
Ingeniería Frontend y Arquitectura de Visualización en Tiempo Real:
Lideré la implementación de una arquitectura robusta basada en React.js y Vite, optimizando el renderizado de la interfaz mediante una estrategia de componentización modular y escalable. El núcleo técnico del proyecto reside en la integración de la librería Recharts, donde desarrollé un motor de visualización de telemetría capaz de procesar señales térmicas y vitales con latencia mínima. Esta infraestructura fue diseñada para ser dinámica, permitiendo que el sistema mantenga la integridad visual y la estabilidad operativa incluso en estados de latencia de red, asegurando que la representación de las ondas dinámicas sea fidedigna a los datos capturados por el hardware.
Estrategia de UI/UX y Diseño de Sistemas para Entornos Médicos (FIGMA):
Ejecuté una reingeniería completa de la experiencia de usuario, transformando un prototipo móvil en un Dashboard de escritorio de alta fidelidad adaptado para centros de monitoreo neonatal. La interfaz fue construida utilizando una paleta de colores técnica para maximizar la legibilidad y reducir el agotamiento cognitivo de los especialistas. Estructuré la jerarquía de información mediante CSS Grid y Flexbox, anclando estratégicamente identificadores de pacientes y badges de estado del sistema para garantizar una identificación inmediata y una navegación intuitiva durante situaciones de emergencia.
Validación Técnica, QA y Optimización de Servicios de IA:
Supervisé la estabilidad del sistema mediante protocolos rigurosos de depuración y gestión de dependencias, resolviendo conflictos críticos de resolución de módulos que impedían el despliegue en entornos de producción. Como parte de la optimización del backend, realicé un refactoring integral para eliminar servicios obsoletos y purgar el código, mejorando significativamente el bundle size.
Producción de Activos Técnicos y Simulación de Datos Persistentes:
Gestione la fase de testeo preventivo y la documentación visual del proyecto, diseñando estados iniciales y simuladores de datos persistentes que validan el comportamiento de la plataforma antes de su conexión final con MongoDB. Esta etapa incluyó la supervisión técnica de la producción audiovisual del software, donde definí la narrativa de demostración funcional para resaltar los puntos de contacto más innovadores de la IU.

ALISON UGALDE ARIAS
Durante el desarrollo de SafeCareNEO, me encargué principalmente de la arquitectura backend, utilizando MongoDB para gestionar de forma eficiente el almacenamiento y procesamiento de datos en tiempo real.

Ayudé a diseñar e implementar un modelo predictivo llamado Arima, enfocado en la detección temprana y prevención de riesgos en neonatos mediante técnicas de Machine Learning. Este modelo no solo analiza condiciones actuales, sino que también evalúa tendencias y genera recomendaciones clínicas.

Además, ayudé a desarrollar un sistema robusto de validación y filtrado de datos para minimizar falsos positivos, asegurando que las alertas generadas sean confiables y clínicamente relevantes.

LUIS GABRIEL PADRON MOYA
Contribuí apoyando en la construcción de un backend sólido en Node.js y Express capaz de procesar telemetría en tiempo real y gestionar la persistencia de datos críticos en MongoDB Atlas, así como diseñando la lógica de la API para que fuera escalable, permitiendo una comunicación fluida entre los dispositivos de hardware y la base de datos.

Igualmente, orquesté todo el ecosistema mediante Docker, asegurando que el backend, la base de datos y el hardware pudieran desplegarse y comunicarse sin fricciones. Resolviendo desafíos para garantizar una conexión estable y segura entre los dispositivos físicos y el servidor.

Finalmente, fui responsable de la integración avanzada con Gemini, diseñando un motor de procesamiento de lenguaje natural que transforma tanto la telemetría histórica como el dictado de voz de las enfermeras en reportes médicos estructurados. Logré que el sistema genere automáticamente diagnósticos técnicos para el personal clínico y reportes empáticos para los padres, garantizando que la información sea accesible y profesional para cada usuario.

PAOLA PI�ON GARCIA