Krampeprojektet

M2Call har i flere år haft et ønske om at tilføje krampedetektering til deres produkt. Behovet er klinisk: under et krampeanfald udsættes patienter for alvorlig risiko, og tidlig detektion kan være livreddende. I dette projekt detekterer vi kramper ved at identificere hurtige, ukontrollerede bevægelser i patientens arme og hoved — ikke ved at vurdere kropsstilling eller kvælningsrisiko direkte. Innovationsfonden har tildelt M2Call godt 2 mio. DKK til at realisere dette, og midlerne er allerede modtaget. Projektet eksisterer derfor af to årsager: (1) At dokumentere og levere tilstrækkelig teknisk udvikling til at retfærdiggøre den modtagne finansiering over for Innovationsfonden, og (2) at skabe fundamentet for en ny, salgbar feature, som M2Call kan markedsføre og sælge videre.

Projektet er en succes, når vi har leveret en dokumenteret prototype for krampedetektering baseret på bevægelsesdata fra arme og hoved, der er tilstrækkelig til at opfylde Innovationsfondens krav og kan danne grundlag for en kommerciel feature i M2Calls produkt.

1. Innovationsfonden-legitimering: Projektet retfærdiggør modtagelsen af godt 2 mio. DKK ved at levere dokumenterbar teknisk udvikling inden for krampedetektering.
2. Revenue: En ny kommerciel feature styrker M2Calls markedsposition og giver et konkret salgs- og marketingargument for at ekspandere M2Call til eksisterende og nye markeder.

1. Analyse: Analysere 8 videoer af krampeanfald for at identificere mønstre i bevægelser og vurdere mulige tekniske løsninger til detektion.
2. Algoritmeudvikling: Udvikle og teste en algoritme til at detektere hurtige, ukontrollerede bevægelser karakteristiske for kramper baseret på analysen.
3. Prototype: Bygge en fungerende prototype, der integrerer krampedetektering i M2Calls eksisterende produkt.
4. Dokumentation: Producere teknisk dokumentation tilstrækkelig til at opfylde Innovationsfondens rapporteringskrav.
5. Test: Validere prototypen på 8 yderligere videoer, som modtages ved projektets afslutning.

1. Kvælningsdetektion: Vi detekterer ikke kropsstilling eller risiko for kvælning — kun bevægelsesmønstre under kramper.
2. Klinisk validering: Vi gennemfører ikke kliniske studier eller medicinsk certificering af løsningen.
3. Produktionsklar integration: Vi leverer en prototype udviklet i Python — ikke en produktionsklar feature klar til release i Migo.
4. Rust-konvertering og Migo-implementering: Konvertering af algoritmer til Rust og integration i Migo-løsningen foretages af M2Call selv efter projektets afslutning.
5. Dataindsamling: Vi indsamler ikke nye patientdata — vi arbejder udelukkende med de 16 videoer der stilles til rådighed.

Vi arbejder iterativt i tre faser: analyse, udvikling og test. Til bevægelsesdetektion anvender vi computer vision og pose estimation (f.eks. MediaPipe eller OpenPose) til at ekstrahere bevægelsesdata fra videoerne. Algoritmeudviklingen baseres på tidsserieanalyse af bevægelsesmønstre, hvor vi identificerer karakteristika for hurtige, ukontrollerede bevægelser. Alt udvikles i Python som en selvstændig komponent, adskilt fra M2Calls eksisterende produkt.

Datamodtagelse: August 2026 (forventet) — projektet starter reelt ved modtagelse af de første 8 videoer.
Projektstart: August 2026
Projektslut: Maks. 3 måneder efter projektstart (senest november 2026)
Hård deadline: De afsluttende 8 testvideoer skal modtages og valideres inden projektafslutning.

Intet fast budget. Mindre anskaffelser (f.eks. software, tools eller datatjenester) er accepterede, hvis de er nødvendige for projektets gennemførelse.

MindFuture:
- 1,5 FTE i 3 måneder (AI/ML-udvikling og projektledelse)

M2Call:
- 0,25 FTE i 3 måneder (faglig sparring, produktindsigt og koordinering)

Tools:
- Python-miljø med relevante biblioteker (MediaPipe/OpenPose, NumPy, pandas m.fl.)
- Adgang til 16 patientvideoer (8 ved opstart, 8 ved projektafslutning)

1. Sponsor: CTO hos M2Call er projektsponsor og sikrer beslutningskraft og prioritering.
2. Dataadgang: M2Call leverer 8 videoer ved projektopstart og 8 videoer ved projektafslutning i et aftalt format og med nødvendige databehandlingsaftaler på plads.
3. Faglig sparring: 0,25 FTE til løbende sparring om klinisk kontekst og produktkrav.
4. Beslutningshastighed: M2Call forpligter sig til at træffe nødvendige beslutninger inden for 48 timer for ikke at blokere fremdrif.

1. Datakvalitet: 8 videoer er et meget begrænset datagrundlag — algoritmen risikerer at være for smal til at generalisere på tværs af patienter og krampemønstre.
2. Forsinkede videoer: Projektet er fuldstændigt afhængigt af at M2Call leverer videoer til tiden — forsinkelse i august 2026 forsinker hele projektet.
3. Testvideoer ved afslutning: De 8 afsluttende testvideoer modtages sent — hvis de ankommer for tæt på deadline er der ingen tid til at reagere på dårlige resultater.
4. Databehandlingsaftaler: Patientvideoer kræver GDPR-compliance — forsinkede aftaler kan blokere projektstart.
5. Kommerciel usikkerhed: Prototypen er i Python — værdien af Innovationsfondens investering afhænger af at M2Call efterfølgende prioriterer Rust-konvertering og Migo-integration selv.