– Vår edge är att vi får ut mer exakta vardagsmått på time-on-feet, steglängd och rörelsehastighet än någon annan vi sett, säger Helmuth Kristen, grundare och vd på Infonomy.

Modellen för steget har utvecklats under sju år och extraherar ett antal nyckelparametrar som aktivitet och rörelse, gånghastighet, steglängd, balans och fallrisk.

Egentligen är kunskaperna djupare än så.

Infonomy startade redan 2010 med att utveckla en fallalgoritm för ett traditionellt trygghetslarm som sitter på handleden, som en klocka. Den kan larma om bäraren faller men har också en larmknapp som komplement för andra fall när användaren vill kalla på hjälp.

Algoritmen finns till dags dato i 75 000 trygghetslarm som tillverkas av franska Legrand och som sålts i framför allt Frankrike och Spanien.

Snubblometer bygger på en mer avancerad modell för att analysera gångmönstret i detalj och larma vid fall. Även den är utvecklad för äldre personer med nedsatt rörelseförmåga – en grupp där ett fall kan få allvarliga konsekvenser, både hälsomässigt och ekonomiskt.

Det finns ett medicinskt begrepp som kallas time-on-feet, som visar hur länge en person är uppe under dagen. En kraftig minskning kan indikera försämrad hälsa, även om personen själv inte upplever några problem. Ett annat exempel är steglängden – när den krymper till en punkt där kroppens tyngdpunkt hamnar nästan direkt ovanför foten, finns ofta en ökad risk att falla.

– Riskerna finns graderade och publicerade i den vetenskapliga litteraturen, det finns en korrelation mellan time-on-feet och fallrisk och steglängd.

Snubblometer är en hermetiskt tillsluten modul på 7×3×0,3 cm som går att torka av med desinfektionsmedel och fästs på benet med ett medicinskt plåster.

Infonomy har utvecklat en modell med ett antal parametrar som beskriver steget vilket gör att man kan identifiera förändringar i rörelsemönstret tidigt: att en person reser sig långsammare, är på fötterna mindre, eller börjar hasa snarare än att gå.

– Många enkäter och självskattningar är subjektiva. Vi får ofta höra att ”så här säger mamma att hon gör”, men data visar något annat, säger Kristen.

För att systemet ska vara användbart i praktiken har mycket arbete lagts på gränssnitt och användaranpassning. Infonomy utvecklar visualiseringar och användargränssnitt för allt från forskare till undersköterskor, och tittar även på hur generativ AI kan användas.

Den som loggar in i molnet kan se trender, jämföra över tid och dra slutsatser för både individ och population, vilket passar forskare.

Ett vårdbiträde på ett äldreboende har knappast tid till det utan vill snabbt se en statusuppdatering: om personen har rört sig mindre senaste veckan eller om steglängden minskat.

Mätvärdena kommer från en tröghetsnavigator, en så kallad IMU, av samma typ som finns i mobiltelefoner med accelerometrar och gyron. Tröghetsnavigatorn sitter i Snubblometer och mäter rörelser i tre dimensioner upp till 200 gånger per sekund. Den fästs på benet med ett medicinskt plåster vilket ger mer exakt och relevant rörelseinformation, särskilt vad gäller benstyrka och gångmönster, än att ha IMU:n i en klocka på armen.

Att identifiera ett steg utifrån en brusig IMU-signal är inte helt lätt. Algoritmerna använder bland annat Kalmanfiltrering för att ta fram relevant information.

Företaget har ett beviljat patent för balansen i steget men har också sökt patent på stegdetektionen. Under hösten är tanken att inleda en bredare marknadslansering, delvis finansierad av de 5,5 miljoner kronor företaget siktar på att ta in genom en pågående finansieringsrunda.

– Vi har hårt fokuserat på äldre med begynnande kapacitetsnedsättning, de dagliga aktiviteterna är begränsade. Det är ofta då man kommer in i vårdapparaten och kanske screenas du om du behöver hjälp hemma, säger Helmuth Kristen.

Infonomy siktar inte på hälsotillämpningar där fitnessklockor dominerar stort, trots att de inte kan ge samma resultat.

Systemet är designat för en veckas laddcykel, vilket räcker väl för målgruppen. Under laddning överförs även data till en basstation via Bluetooth. Det är inte rådata som skickas, utan kondenserade parametrar: nyckeltal för gång, balans och rörelsemönster.

För att klara en veckas drifttid är samplingen normalt långsam. En tillståndsmodell tolkar hela tiden sensordata för att avgöra vad användaren gör: står, går, sitter eller faller. Om modellen upptäcker något intressant ökar den samplingshastigheten. Det blir bara några kilobyte per dag.

Snubblometer är en hermetiskt tillsluten modul på 7×3×0,3 cm som går att torka av med desinfektionsmedel. Förutom IMU:n innehåller den processor, minne, blåtandsmodul och batteri.

Det finns också temperatursensor och barometer, vilket ytterligare förstärker möjligheten att analysera rörelsemönster och miljöförändringar.

Att sälja till äldreboenden och andra vårdgivare är en tidsödande process eftersom produkten är ny och inköpsorganisationerna dessutom ser olika ut från region till region och från land till land.

– Det kan skilja sig från äldreboende till äldreboende i samma kommun.

Artikeln är tidigare publicerad i magasinet Elektroniktidningen. Prenumerera kostnadsfritt!

Infonomy samarbetar därför med svenska Arjo och franska vårdjätten Legrand. Affärsmodellen bygger på en licensmodell där Infonomy får betalt per användare eller boende.

– Det här är en ny marknad. Vi är inte rädda för konkurrens – utmaningen är att visa vilken nytta den här typen av sensordata kan ha i vården, säger Helmuth Kristen.