Veröffentlicht am 5. Februar 2026
Physiotherapiepraxen haben ein grundlegendes Problem mit der Kundenbindung. Obwohl sie eine der effektivsten und am häufigsten verschriebenen Behandlungen in der muskuloskelettalen Versorgung ist, beginnen nur 25–35% der überwiesenen Patienten mit der Therapie und nur 30% schließen sie ab.
Für viele sind die Barrieren praktischer Natur: lange Wartezeiten, Standortbeschränkungen, Terminkonflikte und wiederkehrende Kosten. Für andere ist das Problem die Barrierefreiheit. Die virtuelle Gesundheitsversorgung ist zwar inzwischen üblicher geworden, kann aber für Menschen mit geringen technischen Fähigkeiten eine Herausforderung darstellen.
LainaHealth ist ein Anbieter von virtueller Physiotherapie, der eine digitale Plattform für den Bewegungsapparat nutzt, um die Physiotherapie zugänglicher und kostengünstiger zu machen. Wir kombinieren lizenzierte Therapeuten mit unserem Live-KI-Navigationsassistenten (Laina). Unter der Anleitung von zugelassenen Physiotherapeuten bietet Laina intelligente Automatisierung, indem ein benutzerdefiniertes Modell trainiert und im Web bereitgestellt wird, das Bewegungsanalysen in Echtzeit, personalisierte Trainingsfortschritte und Konversationsunterstützung bietet.
Unsere Herausforderung: Eine App für alle
Eine akzeptable Lösung muss eine breite Bevölkerungsgruppe effektiv erreichen. Daher musste sie geräteunabhängig, reibungslos und zugänglich sein. Wir haben uns bemüht, eine Plattform zu entwickeln, die für alle nahtlos funktioniert, ohne dass eine App heruntergeladen werden muss. Da wir ein in den USA ansässiges Unternehmen sind und Physiotherapie eine medizinische Leistung ist, musste unsere App auch medizinisch zertifiziert und HIPAA-konform sein.
Vor 2020 war für die meisten digitalen Lösungen spezielle Hardware oder die Installation einer App erforderlich, was für Patienten mitunter umständlich war. Wir haben Prototypen entwickelt, die auf zusätzlichen externen Geräten (z. B. Tablets) basierten. Dies führte zu Problemen mit Versandverzögerungen, Herausforderungen bei der Netzwerkeinrichtung und zusätzlichen Kosten. Aus diesen Gründen war es nahezu unmöglich, unsere Lösung zu skalieren.
Wir gingen davon aus, dass wir die Interaktion mit Patienten und die Ergebnisse verbessern könnten, wenn wir unsere Anwendung im Web entwickeln. Ohne Downloads und ohne technische Einrichtung gäbe es deutlich weniger Hürden.
Unsere Anwendung würde als FDA-Klasse II-Web-App eingestuft werden, die maschinelles Lernen (ML) ohne spezielle Sensoren oder Hardware verwendet und dennoch eine Echtzeit-Bewegungsanalyse ermöglicht. Um den Datenschutz zu gewährleisten, war uns klar, dass wir Inferenz auf dem Gerät und sichere, tokenisierte Links benötigen würden. Wir haben beschlossen, unseren Erfolg daran zu messen, wie einfach Patienten auf die Versorgung zugreifen können, wie hoch das Patienten-Engagement ist und wie niedrig die Kosten pro Behandlungszyklus oder Episode sind.
Maschinelles Lernen für personalisierte therapeutische Unterstützung
Wir haben zuerst ein Proof-of-Concept mit dem PoseNet-Modell erstellt, um zu prüfen, ob unsere Idee umsetzbar ist. Die ersten Ergebnisse waren vielversprechend, aber die allgemeine Genauigkeit und Geschwindigkeit des Modells reichten für die Einführung nicht aus. Anschließend haben wir das MoveNet-Modell ausprobiert, eine API zur Erkennung von Posen in TensorFlow.js. Die Geschwindigkeit und Genauigkeit wurden zwar verbessert, aber wir konnten nicht die gleiche Qualität wie bei Modellen erreichen, die für dedizierte Hardware entwickelt wurden.
Um diese Hürde zu überwinden, haben wir mit Google zusammengearbeitet, um eine Unterklasse von MoveNet zu optimieren, die speziell für die muskuloskelettale Rehabilitation entwickelt wurde. Wir haben stundenlange klinische Bewegungsdaten aufgezeichnet und mit Anmerkungen versehen, um dieses Unterklassenmodell zu trainieren. Die resultierende Analyse hat die Möglichkeiten von MoveNet erweitert, sodass nicht nur Gelenkpositionen erkannt werden können. MoveNet erkennt Bewegungsmuster und Kompensationen, die für die muskuloskelettale Therapie entscheidend sind.
Um die HIPAA-Compliance und den Datenschutz von Patienten zu gewährleisten, musste das Modell seine Inferenz im Browser ausführen. So wird sichergestellt, dass geschützte Gesundheitsdaten wie Diagnosen und Behandlungsbedingungen nicht an Drittanbietermodelle oder externe Anbieter weitergegeben werden.
Daher haben wir das benutzerdefinierte Modell in TensorFlow.js konvertiert. Schließlich haben wir einige weitere Aufgaben zur Leistungsoptimierung implementiert, die darauf ausgerichtet waren, die Inferenzgeschwindigkeiten in Echtzeit und die minimalen Ladezeiten auf allen Geräten beizubehalten.
Unsere erste Bereitstellung im Jahr 2021 hat gezeigt, dass das Konzept möglich ist, aber die Anwendung war nicht geräteunabhängig. Für die Verarbeitung waren weiterhin bestimmte Apple-Geräte erforderlich. Das Modell hatte sich zwar schon deutlich verbessert, aber es gab immer noch Probleme mit bestimmten Körperpositionen, dem Tracking der Knöchel und der Körperrotation im 3D-Raum.
Wir haben Tests mit Nutzern durchgeführt und festgestellt, dass das Vertrauen der Patienten in die Erfahrung abnahm, als sie Bewegungsverzerrungen und Verzögerungen bemerkten. Nutzer bemerkten dies, als die Videoausgabe auf weniger als 20 Frames pro Sekunde sank.
Wir haben diese Probleme gelöst, indem wir die Gesamtmodelllast reduziert und mehrere kleinere Modelle eingeführt haben, die zusammenarbeiten. Jedes kleine Modell wurde für bestimmte Körperregionen und Ausrichtungen optimiert. Ende 2023 haben wir ein browserbasiertes Modell entwickelt, das eine Genauigkeit wie auf dem Gerät selbst erreicht und in der Lage ist, Bewegungsgeschwindigkeit und Bewegungsradius ohne spezielle Sensoren zu messen. Seitdem können wir medizinische Bewegungsanalysen über einen einzigen, sicheren Weblink bereitstellen.
Wir bieten Physiotherapie in medizinischer Qualität online an – ohne Einrichtung oder Downloads.
Mehr Interaktionen und geringere Kosten
Durch die Verlagerung von LainaHealth und unserem System zur Schätzung von Körperhaltungen ins Web konnten wir die virtuelle Physiotherapie in 45 Bundesstaaten anbieten, die Patientenbindung verbessern und Kosten senken:
74 %
Geringere Kosten für Patienten
2 x
Patientenregistrierung und Abschlussrate
4. x
Teilnahme an der Physiotherapie
- 2-mal höhere Patientenanmeldung, 2-mal höhere Abschlussrate und 4-mal höheres Engagement im Vergleich zur herkömmlichen Physiotherapie.
- Durchschnittlich 34 Besuche pro abgeschlossener Episode im Vergleich zu 8 Besuchen bei der Standardversorgung vor Ort.
- 74% weniger Kosten pro Folge durch verbesserte Effizienz und Skalierbarkeit.
- Validierte klinische Ergebnisse mit objektiver Adhärenz und funktioneller Verbesserung, die mit Web-KI erfasst werden.
Außerdem können über die Web-App von LainaHealth Patienten im Alter von 12 bis 99 Jahren erreicht werden. Das zeigt, dass unser KI-basierter Webansatz für unterschiedliche Bevölkerungsgruppen und technische Fähigkeiten funktioniert.
Schlussfolgerungen und Empfehlungen
Die Physiotherapie hat seit Langem ein praktisches Zugänglichkeitsproblem: Patienten haben aufgrund von Zeit, Entfernung und Kosten Schwierigkeiten, an Sitzungen teilzunehmen. Durch die Kombination von Web-KI und lizenzierten Physiotherapeuten konnten wir diese Barrieren deutlich reduzieren und die Genesung bequem von zu Hause aus ermöglichen.
Wir haben ein Modell und eine Anwendung entwickelt, die einen besseren Zugang, niedrigere Kosten und eine schnellere Genesung ermöglichen, damit Patienten zu dem Leben zurückkehren können, das sie sich wünschen. Wir haben gezeigt, dass intelligente, browserbasierte KI die menschliche Versorgung verbessern und nicht ersetzen kann. So wird ein personalisierterer, skalierbarer und effektiverer Ansatz für die Gesundheit des Bewegungsapparats ermöglicht.