Publié le : 5 février 2026
Les cabinets de kinésithérapie sont confrontés à un problème d'engagement fondamental. Bien qu'il s'agisse de l'un des traitements les plus efficaces et les plus prescrits dans le domaine des soins musculo-squelettiques, seuls 25 à 35 % des patients orientés vers une thérapie la commencent, et seulement 30 % la terminent.
Pour beaucoup, les obstacles sont pratiques : longs délais d'attente, contraintes géographiques, conflits d'agenda et frais récurrents à leur charge. Pour d'autres, le problème est lié à l'accessibilité. Bien que les soins virtuels soient devenus plus courants, ils peuvent être difficiles à utiliser pour les personnes ayant moins d'aptitudes techniques.
LainaHealth est un fournisseur de kinésithérapie virtuelle qui utilise une plate-forme numérique musculosquelettique (MSK) conçue pour rendre la kinésithérapie plus accessible et plus économique. Nous combinons des thérapeutes agréés avec notre assistant de navigation par intelligence artificielle en direct (Laina). Sous la supervision de kinésithérapeutes agréés, Laina fournit une automatisation intelligente en entraînant et en déployant un modèle personnalisé sur le Web. Ce modèle fournit une analyse des mouvements en temps réel, une progression des exercices personnalisée et une assistance conversationnelle.
Notre défi : une application pour tous
Une solution acceptable doit traiter efficacement une large population. Nous avions donc besoin qu'elle soit agnostique, fluide et accessible. Nous nous sommes efforcés de créer une plate-forme qui fonctionne de manière fluide pour tous, sans nécessiter le téléchargement d'une application. Comme nous sommes une entreprise basée aux États-Unis et que la kinésithérapie est un service médical, notre application devait également être de qualité médicale et conforme à la loi HIPAA.
Avant 2020, nous avons constaté que la plupart des solutions numériques nécessitaient du matériel dédié ou l'installation d'applications, ce qui entraînait une friction élevée pour les patients. Nous avons créé des prototypes qui s'appuyaient sur des appareils externes supplémentaires (tels que des tablettes), ce qui a entraîné des problèmes de retards de livraison, de configuration du réseau et de coûts supplémentaires. En raison de ces facteurs, il était presque impossible de faire évoluer notre solution.
Nous avons émis l'hypothèse que nous améliorerions l'engagement et les résultats des patients si nous développions notre application sur le Web. Si nous n'avions pas de téléchargements ni de configuration technique, il y aurait beaucoup moins d'obstacles.
Notre application serait considérée comme une application Web de classe II de la FDA qui utilise le machine learning (ML) sans capteurs ni matériel spéciaux, tout en fournissant une analyse des mouvements en temps réel. Pour garantir la confidentialité, nous savions que nous aurions besoin d'une inférence sur l'appareil et de liens sécurisés et tokenisés. Nous avons décidé de mesurer notre succès en fonction de la facilité d'accès aux soins pour les patients, de l'engagement des patients et de la baisse du coût par traitement ou par épisode.
Machine learning pour un soutien thérapeutique personnalisé
Nous avons commencé par créer une démonstration de faisabilité à l'aide du modèle PoseNet pour évaluer la faisabilité de notre idée. Les premiers résultats étaient prometteurs, mais la précision et la vitesse globales du modèle n'étaient pas suffisantes pour le lancement. Nous avons ensuite essayé le modèle MoveNet, une API de détection de pose dans TensorFlow.js. Bien que cela ait amélioré la vitesse et la précision, nous n'avions pas atteint la même fidélité que les modèles conçus pour du matériel dédié.
Pour surmonter cet obstacle, nous avons collaboré avec Google afin d'affiner une sous-classe de MoveNet, optimisée spécifiquement pour la rééducation musculosquelettique. Nous avons enregistré et annoté des heures de données de mouvements cliniques pour entraîner ce modèle de sous-classe. L'analyse qui en a résulté a étendu les capacités de MoveNet pour reconnaître plus que les positions des articulations. MoveNet a reconnu les schémas de mouvement et les compensations, qui sont essentiels pour la thérapie musculosquelettique.
Pour respecter la loi HIPAA et la confidentialité des patients, nous avions besoin que le modèle exécute son inférence dans le navigateur. Cela permettait de s'assurer que les informations de santé protégées, telles que les diagnostics et les conditions de traitement, ne soient pas partagées avec des modèles tiers ni des fournisseurs externes.
Nous avons donc converti le modèle personnalisé dans TensorFlow.js. Enfin, nous avons implémenté quelques autres tâches d'optimisation des performances axées sur le maintien de vitesses d'inférence en temps réel et de temps de chargement minimaux sur tous les appareils.
Notre premier déploiement en 2021 a prouvé que le concept était possible, mais l'application n'était pas indépendante de l'appareil. Nous nous appuyions toujours sur des appareils Apple spécifiques pour le traitement. Bien que le modèle ait fait beaucoup de progrès, il avait encore du mal avec certaines positions du corps, le suivi des chevilles et la rotation du corps dans un espace 3D.
Nous avons effectué des tests auprès des utilisateurs et constaté que la confiance des patients dans l'expérience diminuait lorsqu'ils remarquaient des distorsions de mouvement et des décalages. Les utilisateurs ont commencé à le remarquer lorsque la sortie vidéo est tombée à moins de 20 images par seconde.
Pour résoudre ces problèmes, nous avons réduit la charge globale du modèle en introduisant plusieurs modèles plus petits qui fonctionnaient ensemble. Chaque petit modèle a été ajusté pour des régions et des orientations corporelles spécifiques. Fin 2023, nous avons créé un modèle basé sur le navigateur qui a atteint une précision proche de celle de l'appareil, capable de mesurer la vitesse de déplacement et l'amplitude des mouvements, sans capteurs spécialisés. Depuis, nous pouvons fournir une analyse du mouvement de qualité médicale via un seul lien Web sécurisé.
Nous proposons des séances de kinésithérapie en ligne de qualité médicale, sans configuration ni téléchargement.
Engagement à grande échelle et coûts réduits
En transférant LainaHealth et notre système d'estimation de pose sur le Web, nous avons pu étendre la kinésithérapie virtuelle à 45 États, améliorer l'engagement des patients et réduire les coûts :
74 %
Réduction des coûts pour les patients
2 x
Taux d'inscription et d'achèvement des patients
4 x
Engagement dans la kinésithérapie
- Un taux d'inscription des patients deux fois plus élevé, un taux d'achèvement deux fois plus élevé et un engagement quatre fois plus élevé par rapport à la kinésithérapie traditionnelle.
- En moyenne, 34 visites par épisode terminé, contre 8 pour les soins en personne standards.
- Réduction de 74 % du coût par épisode grâce à une efficacité et une évolutivité améliorées.
- Résultats cliniques validés, avec suivi objectif de l'observance et de l'amélioration fonctionnelle grâce à l'IA Web.
De plus, l'application Web de LainaHealth s'adresse aux patients âgés de 12 à 99 ans, ce qui montre que notre approche Web basée sur l'IA fonctionne pour des populations et des capacités techniques diverses.
Conclusions et recommandations
La kinésithérapie est depuis longtemps confrontée à un problème d'accessibilité pratique : les patients ont du mal à assister aux séances en raison du temps, de la distance et du coût. En associant l'IA Web et des kinésithérapeutes agréés, nous avons considérablement réduit ces obstacles et permis aux patients de se rétablir dans le confort de leur foyer.
Nous avons conçu un modèle et une application qui offrent un accès plus large, des coûts plus bas et une récupération plus rapide, afin d'aider les patients à retrouver la vie qu'ils souhaitent mener. Nous avons démontré que l'IA intelligente basée sur le navigateur peut améliorer les soins humains, et non les remplacer. Elle permet une approche plus personnalisée, évolutive et efficace de la santé musculosquelettique.