Publicado: 5 de febrero de 2026
Las prácticas de fisioterapia se enfrentan a un problema fundamental de participación. A pesar de ser uno de los tratamientos más eficaces y recetados en el cuidado musculoesquelético, solo entre el 25% y el 35% de los pacientes derivados comienzan la terapia, y solo el 30% completa su tratamiento.
Para muchas personas, las barreras son prácticas: largos tiempos de espera, restricciones de ubicación, conflictos de programación y costos recurrentes de bolsillo. Para otras personas, el problema es la accesibilidad. Si bien la atención virtual se ha vuelto más común, puede ser un desafío para las personas con menos aptitudes técnicas.
LainaHealth es un proveedor virtual de fisioterapia que usa una plataforma digital musculoesquelética (MSK) creada para que la fisioterapia sea más accesible y rentable. Combinamos terapeutas con licencia y nuestro asistente de navegación con Inteligencia Artificial en vivo (Laina). Bajo la instrucción de fisioterapeutas con licencia, Laina ofrece automatización inteligente entrenando e implementando un modelo personalizado en la Web que proporciona análisis de movimiento en tiempo real, progresión de ejercicios personalizada y asistencia conversacional.
Nuestro desafío: Una app para todos
Una solución aceptable debe tratar a una población amplia de manera eficaz, por lo que necesitábamos que fuera independiente del dispositivo, sin fricciones y accesible. Nos esforzamos por crear una plataforma que pudiera funcionar sin problemas para cualquier persona, sin necesidad de descargar una app. Como somos una empresa con sede en EE.UU. y la fisioterapia es un servicio médico, nuestra aplicación también debía ser de grado médico y cumplir con la HIPAA.
Antes de 2020, descubrimos que la mayoría de las soluciones digitales requerían hardware dedicado o instalaciones de apps, lo que generaba una gran fricción para los pacientes. Creamos prototipos que dependían de dispositivos externos adicionales (como tablets), lo que generó problemas con demoras en el envío, desafíos en la configuración de la red y costos adicionales. Debido a estos factores, era casi imposible ampliar nuestra solución.
Nuestra hipótesis era que mejoraríamos la participación y los resultados de los pacientes si creábamos nuestra aplicación en la Web. Si no tuviéramos descargas ni configuración técnica, habría muchas menos barreras.
Nuestra aplicación calificaría como una app web de clase II de la FDA que usa aprendizaje automático (AA) sin sensores ni hardware especiales, y que, al mismo tiempo, ofrece análisis de movimiento en tiempo real. Para garantizar la privacidad, sabíamos que necesitaríamos inferencia en el dispositivo y vínculos seguros tokenizados. Decidimos medir nuestro éxito en función de la facilidad con la que los pacientes podían acceder a la atención médica, el mayor compromiso de los pacientes y el menor costo por curso de tratamiento o episodio.
Aprendizaje automático para brindar asistencia terapéutica personalizada
Comenzamos por crear una prueba de concepto con el modelo PoseNet para evaluar si nuestra idea era factible. Los resultados iniciales fueron prometedores, pero la precisión general y la velocidad del modelo no fueron suficientes para el lanzamiento. Luego, probamos el modelo de MoveNet, una API de detección de poses en TensorFlow.js. Si bien mejoró la velocidad y la precisión, no habíamos logrado la misma fidelidad que los modelos diseñados para hardware específico.
Para superar este obstáculo, colaboramos con Google para ajustar una subclase de MoveNet, optimizada específicamente para la rehabilitación musculoesquelética. Registramos y anotamos horas de datos de movimiento clínicos para entrenar este modelo de subclase, y el análisis resultante extendió las capacidades de MoveNet para reconocer más que las posiciones de las articulaciones. MoveNet reconoció patrones de movimiento y compensaciones, que son fundamentales para la terapia musculoesquelética.
Para cumplir con la HIPAA y proteger la privacidad de los pacientes, necesitábamos que el modelo ejecutara su inferencia en el navegador. Esto garantizó que la información de salud protegida, como los diagnósticos y las afecciones en tratamiento, no se compartiera con modelos de terceros ni proveedores externos.
Por lo tanto, convertimos el modelo personalizado en TensorFlow.js. Por último, implementamos algunas otras tareas de optimización del rendimiento que se enfocaron en mantener velocidades de inferencia en tiempo real y tiempos de carga mínimos en todos los dispositivos.
Nuestra primera implementación en 2021 demostró que el concepto era posible, pero la aplicación no era independiente del dispositivo. Aún dependíamos de dispositivos Apple específicos para el procesamiento. Si bien el modelo había avanzado mucho, aún tenía dificultades con ciertas posiciones del cuerpo, el seguimiento de los tobillos y la rotación del cuerpo en un espacio 3D.
Realizamos pruebas con usuarios y descubrimos que la confianza de los pacientes en la experiencia disminuía cuando notaban distorsión y retraso en el movimiento. Los usuarios comenzaron a notar esto cuando la salida de video se redujo a menos de 20 fotogramas por segundo.
Para abordar estos problemas, redujimos la carga general del modelo y presentamos varios modelos más pequeños que funcionaban en conjunto. Cada modelo pequeño se ajustó para regiones y orientaciones específicas del cuerpo. A fines del 2023, creamos un modelo basado en el navegador que alcanzó una precisión cercana a la del dispositivo y que puede medir la velocidad y el rango de movimiento sin sensores especializados. Desde entonces, podemos ofrecer análisis de movimiento de grado médico a través de un solo vínculo web seguro.
Ofrecemos fisioterapia en línea de grado médico, sin necesidad de descargas ni configuraciones.
Mayor participación y costos reducidos
Al trasladar LainaHealth y nuestro sistema de estimación de la postura a la Web, ampliamos la fisioterapia virtual a 45 estados, mejoramos la participación de los pacientes y redujimos los costos:
74 %
Reducción del costo para el paciente
2 x
Tasa de inscripción y finalización de pacientes
4 x
Participación en fisioterapia
- Inscripción de pacientes 2 veces mayor, tasa de finalización 2 veces mayor y participación 4 veces mayor en comparación con la fisioterapia tradicional.
- Promedio de 34 visitas por episodio completado, en comparación con las 8 visitas en la atención estándar en persona.
- Se logró una reducción del 74% en el costo por episodio gracias a la mejora de la eficiencia y la escalabilidad.
- Resultados clínicos validados, con un seguimiento objetivo del cumplimiento y la mejora funcional con IA web.
Además, la app web de LainaHealth atiende a pacientes de entre 12 y 99 años, lo que demuestra que nuestro enfoque web basado en IA funciona en diversas poblaciones y capacidades técnicas.
Conclusiones y recomendaciones
La fisioterapia siempre ha tenido un problema de accesibilidad práctica: los pacientes tienen dificultades para asistir a las sesiones debido al tiempo, la distancia y el costo. Al combinar la IA web y los fisioterapeutas con licencia, redujimos significativamente esas barreras y posibilitamos la recuperación desde la comodidad del hogar.
Diseñamos un modelo y una aplicación que brindan mayor acceso, menor costo y recuperación más rápida para ayudar a los pacientes a volver a la vida que desean llevar. Demostramos que la IA inteligente basada en el navegador puede mejorar, no reemplazar, la atención humana, lo que permite un enfoque más personalizado, escalable y eficaz para la salud musculoesquelética.