منتشر شده: ۵ فوریه ۲۰۲۶
مراکز فیزیوتراپی با یک مشکل اساسی در تعامل با بیماران مواجه هستند. با وجود اینکه فیزیوتراپی یکی از موثرترین و تجویز شدهترین درمانها در مراقبتهای اسکلتی-عضلانی است، تنها ۲۵ تا ۳۵ درصد از بیماران ارجاع شده درمان را شروع میکنند و تنها ۳۰ درصد مراقبتهای خود را به پایان میرسانند.
برای بسیاری، موانع عملی هستند - زمان انتظار طولانی، محدودیتهای مکانی، تداخلات برنامهریزی و هزینههای مکرر از جیب. برای دیگران، مشکل، دسترسی است. در حالی که مراقبت مجازی رایجتر شده است، میتواند برای کسانی که مهارت فنی کمتری دارند، چالش برانگیز باشد.
LainaHealth یک ارائهدهنده خدمات فیزیوتراپی مجازی است که از یک پلتفرم دیجیتال اسکلتی-عضلانی (MSK) استفاده میکند تا فیزیوتراپی را در دسترستر و مقرونبهصرفهتر کند. ما درمانگران دارای مجوز را با دستیار ناوبری هوش مصنوعی زنده خود (Laina) ترکیب میکنیم. Laina تحت آموزش فیزیوتراپیستهای دارای مجوز، با آموزش و استقرار یک مدل سفارشی در وب که تجزیه و تحلیل حرکت در زمان واقعی، پیشرفت تمرین شخصیسازیشده و پشتیبانی مکالمهای را ارائه میدهد، اتوماسیون هوشمندی را ارائه میدهد.
چالش ما: اپلیکیشنی برای همه
یک راهکار قابل قبول باید بتواند جمعیت وسیعی را به طور موثر درمان کند، بنابراین ما به آن نیاز داشتیم که مستقل از دستگاه، بدون مشکل و قابل دسترس باشد. ما تلاش کردیم پلتفرمی بسازیم که بتواند به طور یکپارچه برای هر کسی کار کند، بدون نیاز به دانلود برنامه. از آنجایی که ما یک شرکت مستقر در ایالات متحده هستیم و فیزیوتراپی یک سرویس پزشکی است، این بدان معناست که برنامه ما باید از نظر پزشکی درجه یک و مطابق با HIPAA باشد.
قبل از سال ۲۰۲۰، ما متوجه شدیم که اکثر راهحلهای دیجیتال نیاز به سختافزار اختصاصی یا نصب اپلیکیشن دارند که منجر به مشکلات زیادی برای بیماران میشد. ما نمونههای اولیهای ساختیم که به دستگاههای خارجی اضافی (مانند تبلت) متکی بودند و این امر مشکلاتی مانند تأخیر در ارسال، چالشهای راهاندازی شبکه و هزینههای اضافی را به همراه داشت. به دلیل این عوامل، گسترش راهحل ما تقریباً غیرممکن بود.
ما فرض کردیم که اگر اپلیکیشن خود را روی وب بسازیم، تعامل بیمار و نتایج را بهبود میبخشیم. اگر هیچ دانلود و تنظیمات فنی نداشته باشیم، موانع به طور قابل توجهی کمتر خواهد بود.
اپلیکیشن ما به عنوان یک اپلیکیشن وب کلاس II سازمان غذا و داروی آمریکا (FDA ) واجد شرایط خواهد بود که از یادگیری ماشینی (ML) بدون حسگرها یا سختافزارهای خاص استفاده میکند، در حالی که همچنان تجزیه و تحلیل حرکت را به صورت بلادرنگ ارائه میدهد. برای اطمینان از حریم خصوصی، میدانستیم که به استنتاج روی دستگاه و لینکهای امن و توکنیزه شده نیاز داریم. ما تصمیم گرفتیم موفقیت خود را با میزان سهولت دسترسی بیماران به مراقبت، مشارکت بیشتر بیمار و هزینه کمتر به ازای هر دوره درمان یا یک دوره درمان بسنجیم .
یادگیری ماشین برای پشتیبانی درمانی شخصیسازیشده
ما با ایجاد یک نمونه اولیه با استفاده از مدل PoseNet شروع کردیم تا ارزیابی کنیم که آیا ایده ما امکانپذیر است یا خیر. نتایج اولیه امیدوارکننده بود، اما دقت کلی و سرعت مدل برای راهاندازی کافی نبود. سپس مدل MoveNet ، یک API تشخیص حالت در TensorFlow.js را امتحان کردیم. اگرچه سرعت و دقت را بهبود بخشید، اما به همان دقت مدلهای طراحی شده برای سختافزار اختصاصی دست نیافتیم.
برای غلبه بر این مانع، ما با گوگل همکاری کردیم تا یک زیرکلاس از MoveNet را که بهطور خاص برای توانبخشی اسکلتی-عضلانی بهینه شده بود، تنظیم دقیق کنیم. ما ساعتها دادههای حرکتی بالینی را برای آموزش این مدل زیرکلاس ثبت و حاشیهنویسی کردیم و تجزیه و تحلیل حاصل، قابلیتهای MoveNet را برای تشخیص مواردی فراتر از موقعیت مفاصل گسترش داد. MoveNet الگوها و جبرانهای حرکتی را تشخیص داد که برای درمان اسکلتی-عضلانی حیاتی هستند.
برای رعایت HIPAA و حفظ حریم خصوصی بیمار، به مدلی نیاز داشتیم که استنتاج خود را در مرورگر اجرا کند. این امر تضمین میکرد که اطلاعات سلامت محافظتشده، مانند تشخیص و شرایط تحت درمان، با مدلهای شخص ثالث یا ارائهدهندگان خارجی به اشتراک گذاشته نشود.
بنابراین، ما مدل سفارشی را در TensorFlow.js تبدیل کردیم . در آخر، چند وظیفه بهینهسازی عملکرد دیگر را پیادهسازی کردیم که بر حفظ سرعت استنتاج بلادرنگ و حداقل زمان بارگذاری در دستگاهها متمرکز بودند.
اولین استقرار ما در سال ۲۰۲۱ ثابت کرد که این مفهوم امکانپذیر است، اما کاربرد آن وابسته به دستگاه نبود. ما هنوز برای پردازش به دستگاههای خاص اپل متکی بودیم. در حالی که مدل راه زیادی را طی کرده بود، اما هنوز با موقعیتهای خاص بدن، ردیابی مچ پا و چرخش بدن در فضای سهبعدی مشکل داشت.
ما با کاربران آزمایش کردیم و دریافتیم که اعتماد بیماران به این تجربه زمانی که متوجه اعوجاج حرکت و تأخیر میشدند، کاهش مییافت. کاربران زمانی متوجه این موضوع شدند که خروجی ویدیو به کمتر از 20 فریم در ثانیه کاهش یافت.
ما با کاهش بار کلی مدل، و معرفی چندین مدل کوچکتر که با هم کار میکردند، به این مشکلات رسیدگی کردیم. هر مدل کوچک برای نواحی و جهتهای خاص بدن تنظیم شده بود. تا اواخر سال ۲۰۲۳، ما یک مدل مبتنی بر مرورگر تولید کردیم که به دقتی نزدیک به دستگاه دست یافت و قادر به اندازهگیری سرعت حرکت و دامنه حرکت، بدون حسگرهای تخصصی بود. از آن زمان، میتوانیم تجزیه و تحلیل حرکت در سطح پزشکی را از طریق یک لینک وب امن و واحد ارائه دهیم.
ما فیزیوتراپی در سطح مراقبتهای بهداشتی را به صورت آنلاین و بدون نیاز به نصب یا دانلود ارائه میدهیم.
تعامل مقیاسپذیر و کاهش هزینهها
با انتقال LainaHealth و سیستم تخمین وضعیت بدنمان به وب، ما فیزیوتراپی مجازی را در ۴۵ ایالت گسترش دادیم، مشارکت بیمار را بهبود بخشیدیم و هزینهها را کاهش دادیم:
۷۴ ٪
کاهش هزینه بیمار
۲ عدد
نرخ ثبت نام و تکمیل بیمار
۴ برابر
مشارکت در فیزیوتراپی
- دو برابر ثبتنام بیشتر بیمار، دو برابر نرخ تکمیل دوره و چهار برابر تعامل بیشتر در مقایسه با فیزیوتراپی سنتی.
- میانگین ۳۴ ویزیت در هر دوره کامل، در مقابل ۸ ویزیت در مراقبتهای حضوری استاندارد.
- ۷۴٪ کاهش در هزینه به ازای هر قسمت از طریق بهبود کارایی و مقیاسپذیری.
- نتایج بالینی معتبر، با پایبندی عینی و بهبود عملکردی که با هوش مصنوعی وب ردیابی میشود.
علاوه بر این، برنامه وب LainaHealth به بیماران ۱۲ تا ۹۹ ساله خدمات ارائه میدهد و نشان میدهد که رویکرد مبتنی بر هوش مصنوعی وب ما در جمعیتهای متنوع و با تواناییهای فنی مختلف، کارایی دارد.
نتیجهگیری و توصیهها
فیزیوتراپی مدتهاست که با مشکل دسترسی عملی مواجه است - بیماران به دلیل زمان، مسافت و هزینه برای شرکت در جلسات مشکل دارند. با جفت کردن هوش مصنوعی وب و فیزیوتراپیستهای دارای مجوز، ما این موانع را به میزان قابل توجهی کاهش دادیم و بهبودی را از راحتی خانه امکانپذیر کردیم.
ما مدل و اپلیکیشنی طراحی کردیم که دسترسی بالاتر، هزینه کمتر و بهبودی سریعتری را ارائه میدهد تا به بیماران کمک کند به زندگی دلخواه خود بازگردند. ما نشان دادهایم که هوش مصنوعی هوشمند و مبتنی بر مرورگر میتواند مراقبتهای انسانی را بهبود بخشد - نه اینکه جایگزین آن شود - و رویکردی شخصیتر، مقیاسپذیرتر و مؤثرتر را به سلامت اسکلتی-عضلانی امکانپذیر سازد.