Dipublikasikan: 5 Februari 2026
Praktik fisioterapi menghadapi masalah engagement mendasar. Meskipun menjadi salah satu perawatan yang paling efektif dan diresepkan dalam perawatan muskuloskeletal, hanya 25-35% pasien yang dirujuk memulai terapi, dan hanya 30% yang menyelesaikan perawatan.
Bagi banyak orang, hambatan yang dihadapi bersifat praktis—waktu tunggu yang lama, batasan lokasi, konflik jadwal, dan biaya di luar anggaran yang berulang. Bagi orang lain, masalahnya adalah aksesibilitas. Meskipun perawatan virtual telah menjadi lebih umum, hal ini dapat menjadi tantangan bagi mereka yang memiliki kemampuan teknis yang lebih rendah.
LainaHealth adalah penyedia fisioterapi virtual yang menggunakan platform muskuloskeletal (MSK) digital yang dibuat untuk membuat fisioterapi lebih mudah diakses dan hemat biaya. Kami menggabungkan terapis berlisensi dengan Asisten Navigasi Kecerdasan Buatan Langsung (Laina) kami. Di bawah instruksi terapis fisik berlisensi, Laina memberikan otomatisasi cerdas dengan melatih dan men-deploy model kustom ke web yang menyediakan analisis gerakan real-time, progres latihan yang dipersonalisasi, dan dukungan percakapan.
Tantangan kami: Aplikasi untuk semua orang
Solusi yang dapat diterima harus menangani populasi yang luas secara efektif, jadi kami menginginkan solusi tersebut tidak bergantung pada perangkat, lancar, dan dapat diakses. Kami berupaya membangun platform yang dapat berfungsi dengan lancar bagi siapa saja, tanpa memerlukan download aplikasi. Karena kami adalah perusahaan yang berbasis di Amerika Serikat dan fisioterapi adalah layanan medis, aplikasi kami juga harus memenuhi standar medis dan mematuhi HIPAA.
Sebelum tahun 2020, kami menemukan bahwa sebagian besar solusi digital memerlukan penginstalan aplikasi atau hardware khusus, yang menyebabkan hambatan besar bagi pasien. Kami membuat prototipe yang mengandalkan perangkat eksternal tambahan (seperti tablet), dan hal ini menimbulkan masalah terkait keterlambatan pengiriman, tantangan penyiapan jaringan, dan biaya tambahan. Karena faktor-faktor tersebut, penskalaan solusi kami hampir tidak mungkin dilakukan.
Kami berhipotesis bahwa kami akan meningkatkan engagement dan hasil akhir pasien jika kami membangun aplikasi di web. Jika tidak ada download dan penyiapan teknis, akan ada lebih sedikit hambatan.
Aplikasi kami akan memenuhi syarat sebagai aplikasi web Kelas II FDA yang menggunakan machine learning (ML) tanpa sensor atau hardware khusus, sekaligus tetap memberikan analisis gerakan real-time. Untuk memastikan privasi, kami tahu bahwa kami memerlukan inferensi di perangkat dan link yang aman dan diberi token. Kami memutuskan untuk mengukur kesuksesan kami berdasarkan seberapa mudah pasien dapat mengakses perawatan, tingkat interaksi pasien yang lebih tinggi, dan biaya per rangkaian perawatan, atau episode, yang lebih rendah.
Machine learning untuk dukungan terapeutik yang dipersonalisasi
Kami memulai dengan membuat proof-of-concept menggunakan model PoseNet untuk mengevaluasi apakah ide kami layak. Hasil awalnya menjanjikan, tetapi akurasi dan kecepatan model secara keseluruhan tidak cukup untuk diluncurkan. Kemudian, kami mencoba model MoveNet, sebuah API deteksi postur tubuh di TensorFlow.js. Meskipun meningkatkan kecepatan dan akurasi, kami belum mencapai kualitas yang sama dengan model yang dirancang untuk hardware khusus.
Untuk mengatasi hambatan ini, kami berkolaborasi dengan Google untuk menyempurnakan subkelas MoveNet, yang dioptimalkan secara khusus untuk rehabilitasi muskuloskeletal. Kami merekam dan menganotasi data gerakan klinis selama berjam-jam untuk melatih model subkelas ini, dan analisis yang dihasilkan memperluas kemampuan MoveNet untuk mengenali lebih dari sekadar posisi persendian. MoveNet mengenali pola gerakan dan kompensasi, yang sangat penting untuk terapi muskuloskeletal.
Untuk kepatuhan terhadap HIPAA dan privasi pasien, kami memerlukan model untuk menjalankan inferensinya di browser. Hal ini memastikan bahwa informasi kesehatan terlindungi, seperti diagnosis dan kondisi dalam perawatan, tidak akan dibagikan kepada model pihak ketiga atau penyedia eksternal.
Jadi, kita mengonversi model kustom di TensorFlow.js. Terakhir, kami menerapkan beberapa tugas pengoptimalan performa lainnya yang berfokus pada mempertahankan kecepatan inferensi real-time dan waktu pemuatan minimal di seluruh perangkat.
Deployment pertama kami pada tahun 2021 membuktikan bahwa konsep ini dapat dilakukan, tetapi aplikasinya tidak dapat digunakan di semua perangkat. Kami masih mengandalkan perangkat Apple tertentu untuk pemrosesan. Meskipun model telah mengalami perkembangan yang signifikan, model masih kesulitan dengan posisi tubuh tertentu, pelacakan pergelangan kaki, dan rotasi tubuh dalam ruang 3D.
Kami melakukan pengujian dengan pengguna dan mendapati bahwa keyakinan pasien terhadap pengalaman tersebut menurun saat mereka melihat distorsi gerakan dan jeda. Pengguna mulai menyadari hal ini saat output video turun menjadi kurang dari 20 frame per detik.
Kami mengatasi masalah ini dengan mengurangi beban model secara keseluruhan, memperkenalkan beberapa model yang lebih kecil yang bekerja sama. Setiap model kecil disesuaikan untuk orientasi dan wilayah tubuh tertentu. Pada akhir tahun 2023, kami menghasilkan model berbasis browser yang mencapai akurasi hampir setara perangkat, yang mampu mengukur kecepatan gerakan dan rentang gerak, tanpa sensor khusus. Sejak saat itu, kami dapat memberikan analisis gerakan tingkat medis melalui satu link web yang aman.
Kami menyediakan fisioterapi tingkat kesehatan secara online, tanpa penyiapan atau download.
Peningkatan engagement dan pengurangan biaya
Dengan memindahkan LainaHealth dan sistem estimasi pose kami ke web, kami menskalakan terapi fisik virtual di 45 negara bagian, meningkatkan interaksi pasien, dan mengurangi biaya:
74 %
Pengurangan biaya pasien
2 x
Tingkat pendaftaran dan penyelesaian pasien
4 x
Keterlibatan dalam fisioterapi
- Pendaftaran pasien 2× lebih tinggi, rasio penyelesaian 2x lebih tinggi, dan engagement 4x lebih tinggi dibandingkan dengan fisioterapi tradisional.
- Rata-rata 34 kunjungan per episode yang diselesaikan, dibandingkan dengan 8 kunjungan dalam perawatan langsung standar.
- Pengurangan biaya per episode sebesar 74% melalui peningkatan efisiensi dan skalabilitas.
- Hasil klinis yang tervalidasi, dengan kepatuhan objektif dan peningkatan fungsional yang dilacak dengan AI web.
Selain itu, aplikasi web LainaHealth melayani pasien berusia 12 hingga 99 tahun, yang menunjukkan bahwa pendekatan berbasis AI web kami berfungsi di berbagai populasi dan kemampuan teknis.
Kesimpulan dan rekomendasi
Fisioterapi telah lama menghadapi masalah aksesibilitas praktis—pasien kesulitan menghadiri sesi karena waktu, jarak, dan biaya. Dengan memadukan AI web dan ahli fisioterapi berlisensi, kami secara signifikan mengurangi hambatan tersebut dan memungkinkan pemulihan dari kenyamanan rumah.
Kami merancang model dan aplikasi yang memberikan akses lebih tinggi, biaya lebih rendah, dan pemulihan lebih cepat, untuk membantu pasien kembali menjalani kehidupan yang mereka inginkan. Kami telah menunjukkan bahwa AI berbasis browser yang cerdas dapat meningkatkan—bukan menggantikan—perawatan manusia, sehingga memungkinkan pendekatan yang lebih personal, skalabel, dan efektif terhadap kesehatan muskuloskeletal.