Für ein ambitioniertes KI-Vorhaben beantragte die Firma medo.check® die Forschungszulage: Entwickelt wird eine spezialisierte KI, die Therapeuten bei der schnellen und individuellen Übungsauswahl unterstützt. Mithilfe von Long-Short-Term-Memory (LSTM) Netzen lernt das System aus heterogenen Verlaufsdaten und berücksichtigt dabei persönliche Stärken, Einschränkungen, Vorlieben, Fortschritte und weitere konstitutionelle Faktoren.
So entsteht eine hochgradig personalisierte Belastungssteuerung, die in zeitkritischen Abläufen zu besseren Ergebnissen führt. Das Vorhaben kombiniert innovative KI-Methoden mit praxisnaher Anwendung und leistet damit einen wichtigen Beitrag zur modernen, effizienten und wirksamen Trainingstherapie.
Mehr Wissen, weniger Zufall
Trainings- und Therapiepläne basieren oft auf Heuristiken – Fehler, ungenutzte Erkenntnisse und übersehene Risiken sind die Folge.
Das Projekt von medo.check® setzt hier an: Eine KI mit LSTM-Netzen, berücksichtigt individuelle Faktoren und optimiert Belastungssteuerung durch eine optimale Übungsauswahl. Damit entsteht ein klarer Abstand zum Stand der Technik.
medo check: Gesundheit neu programmiert
medo.check® aus Witten entwickelt digitale Trainingslösungen für Therapie und Gesundheit. Durch die Verbindung von Sportwissenschaft, Biomechanik und Softwareentwicklung entstehen innovative Ansätze, die Reha-Prozesse schneller, präziser und individueller gestalten.
Echte Intelligenz im Training
Vorhandene Lösungen filtern meist nur Übungen oder sprechen Kontraindikationen aus – komplexe, zeitdynamische Zusammenhänge bleiben außen vor.
medo.check® baut eine umfassende Datenbasis auf und trainiert ML-Modelle, die optimale Belastungen und Verletzungsrisiken vorhersagen – eine Markttiefe, die bisher fehlte.
Wo Unsicherheit Innovation schafft
Die eigentlichen Risiken lagen weniger in der Programmierung als in der wissenschaftlichen Fundierung: Ist die Datenbasis ausreichend? Beeinflussen Selection Bias oder unvollständiges Feedback die Modelle? Gelingt es den Algorithmen, Kausalitäten in nichtlinearen, zeitabhängigen Systemen zu erkennen? Und lässt sich Bewegungsanalyse aus Videos robust genug umsetzen?
Genau diese Unsicherheiten machen das Vorhaben klar zu Forschung und Entwicklung – und eröffneten den Zugang zur Forschungszulage.
Banhoek beschleunigte die Bescheinigung
Banhoek hat High-Tech in förderlogische Argumente übersetzt und aus komplexen Algorithmen ein förderfähiges Narrativ gewoben.
1) Neuartigkeit greifbar machen: Klare Abgrenzung zu Heuristiken und dynamischen Standardplänen. LSTM-Ansatz und biomechanische Modellierung verständlich hergeleitet.
2) Unwägbarkeit nachweisen: Datenlücken, Störereignisse in Behandlungs-Verläufen, Bias-Risiken und Video-Erkennung als echte wissenschaftlich-technische Hürden dokumentiert.
3) Planmäßigkeit strukturieren: Arbeitspakete, Datenarchitektur, ML-Training, Testszenarien und Meilensteine sauber aufbereitet. Antworten auf Nachforderungen flossen präzise ein. Ergebnis: positive Bescheinigung.
