Opublikowano: 5 lutego 2026 r.
Placówki fizjoterapeutyczne borykają się z podstawowym problemem związanym z zaangażowaniem pacjentów. Mimo że jest to jedna z najskuteczniejszych i najczęściej przepisywanych metod leczenia w przypadku problemów z układem mięśniowo-szkieletowym, tylko 25–35% pacjentów skierowanych na terapię rozpoczyna ją, a tylko 30% – kończy.
W wielu przypadkach przeszkody są praktyczne – długi czas oczekiwania, ograniczenia lokalizacyjne, konflikty w harmonogramie i powtarzające się koszty z własnej kieszeni. Dla innych problemem jest dostępność. Opieka wirtualna staje się coraz bardziej powszechna, ale może być trudna dla osób o mniejszych umiejętnościach technicznych.
LainaHealth to wirtualna platforma fizjoterapii, która korzysta z cyfrowej platformy układu mięśniowo-szkieletowego (MSK) stworzonej, aby fizjoterapia była bardziej dostępna i opłacalna. Łączymy licencjonowanych terapeutów z naszym asystentem nawigacji opartym na sztucznej inteligencji (Laina). Pod kierunkiem licencjonowanych fizjoterapeutów Laina zapewnia inteligentną automatyzację, trenując i wdrażając w internecie model niestandardowy, który umożliwia analizę ruchu w czasie rzeczywistym, spersonalizowane postępy w ćwiczeniach i wsparcie konwersacyjne.
Nasze wyzwanie: aplikacja dla każdego
Akceptowalne rozwiązanie musi skutecznie działać w przypadku szerokiego grona użytkowników, dlatego musi być niezależne od urządzenia, łatwe w użyciu i dostępne. Zależało nam na stworzeniu platformy, która będzie działać bezproblemowo dla każdego, bez konieczności pobierania aplikacji. Jako firma z siedzibą w Stanach Zjednoczonych, która oferuje usługi fizjoterapeutyczne, musieliśmy zadbać o to, aby nasza aplikacja spełniała wymagania dotyczące urządzeń medycznych i była zgodna z ustawą HIPAA.
Przed 2020 rokiem większość rozwiązań cyfrowych wymagała specjalnego sprzętu lub instalacji aplikacji, co utrudniało pacjentom korzystanie z nich. Stworzyliśmy prototypy, które wymagały dodatkowych urządzeń zewnętrznych (takich jak tablety), co spowodowało opóźnienia w dostawie, problemy z konfiguracją sieci i dodatkowe koszty. Z tych powodów skalowanie naszego rozwiązania było niemal niemożliwe.
Założyliśmy, że jeśli stworzymy aplikację internetową, zwiększymy zaangażowanie pacjentów i poprawimy wyniki leczenia. Gdyby nie było pobrań ani konfiguracji technicznej, byłoby znacznie mniej barier.
Nasza aplikacja kwalifikuje się jako aplikacja internetowa FDA Class II, która wykorzystuje uczenie maszynowe (ML) bez specjalnych czujników ani sprzętu, a jednocześnie zapewnia analizę ruchu w czasie rzeczywistym. Aby zapewnić prywatność, wiedzieliśmy, że potrzebujemy wnioskowania na urządzeniu oraz bezpiecznych, tokenizowanych linków. Postanowiliśmy mierzyć sukces na podstawie łatwości dostępu pacjentów do opieki, większego zaangażowania pacjentów i niższych kosztów leczenia lub epizodu.
Uczenie maszynowe w spersonalizowanym wsparciu terapeutycznym
Zaczęliśmy od stworzenia wersji demonstracyjnej z użyciem modelu PoseNet, aby sprawdzić, czy nasz pomysł jest wykonalny. Wstępne wyniki były obiecujące, ale ogólna dokładność i szybkość modelu nie były wystarczające, aby go wdrożyć. Następnie wypróbowaliśmy model MoveNet, interfejs API do wykrywania pozycji w TensorFlow.js. Chociaż zwiększyło to szybkość i dokładność, nie osiągnęliśmy takiej samej wierności jak w przypadku modeli zaprojektowanych z myślą o dedykowanym sprzęcie.
Aby pokonać tę przeszkodę, nawiązaliśmy współpracę z Google w celu dostrojenia podklasy MoveNet, zoptymalizowanej specjalnie pod kątem rehabilitacji układu mięśniowo-szkieletowego. Nagraliśmy i oznaczyliśmy wiele godzin danych o ruchach klinicznych, aby wytrenować ten model podklasy. Dzięki temu analiza rozszerzyła możliwości MoveNet o rozpoznawanie nie tylko pozycji stawów. MoveNet rozpoznaje wzorce ruchu i kompensacje, które są kluczowe w terapii układu mięśniowo-szkieletowego.
Aby zachować zgodność z ustawą HIPAA i zapewnić prywatność pacjentów, musieliśmy sprawić, aby model przeprowadzał wnioskowanie w przeglądarce. Dzięki temu chronione informacje zdrowotne, takie jak diagnozy i stany chorobowe w trakcie leczenia, nie będą udostępniane modelom innych firm ani dostawcom zewnętrznym.
Dlatego przekonwertowaliśmy model niestandardowy na TensorFlow.js. Wprowadziliśmy też kilka innych zadań optymalizacyjnych, które koncentrowały się na utrzymaniu szybkości wnioskowania w czasie rzeczywistym i minimalnych czasów wczytywania na różnych urządzeniach.
Pierwsze wdrożenie w 2021 roku udowodniło, że koncepcja jest możliwa, ale aplikacja nie była niezależna od urządzenia. Do przetwarzania nadal używaliśmy konkretnych urządzeń Apple. Model poczynił duże postępy, ale nadal miał problemy z określonymi pozycjami ciała, śledzeniem kostek i obrotem ciała w przestrzeni 3D.
Przeprowadziliśmy testy z udziałem użytkowników i okazało się, że gdy pacjenci zauważyli zniekształcenia ruchu i opóźnienia, ich zaufanie do tej technologii zmalało. Użytkownicy zaczęli to zauważać, gdy liczba klatek na sekundę spadła poniżej 20.
Rozwiązaliśmy te problemy, zmniejszając ogólne obciążenie modelu i wprowadzając kilka mniejszych modeli, które współpracowały ze sobą. Każdy mały model został dostosowany do określonych regionów ciała i orientacji. Pod koniec 2023 roku opracowaliśmy model działający w przeglądarce, który osiągał dokładność zbliżoną do urządzenia i umożliwiał pomiar prędkości ruchu i zakresu ruchu bez specjalistycznych czujników. Od tego czasu możemy dostarczać analizę ruchu o jakości medycznej za pomocą jednego, bezpiecznego linku internetowego.
Oferujemy fizjoterapię online na poziomie opieki zdrowotnej, bez konieczności konfigurowania ani pobierania.
większe zaangażowanie i niższe koszty,
Przeniesienie LainaHealth i naszego systemu szacowania pozycji do internetu pozwoliło nam rozszerzyć wirtualną fizjoterapię na 45 stanów, zwiększyć zaangażowanie pacjentów i obniżyć koszty:
74 %
Obniżenie kosztów dla pacjenta
2 x
Współczynnik rejestracji i ukończenia przez pacjentów
4 x
Zaangażowanie w fizjoterapię
- 2-krotnie większa liczba pacjentów, 2-krotnie wyższy wskaźnik ukończenia i 4-krotnie większe zaangażowanie w porównaniu z tradycyjną fizjoterapią.
- Średnio 34 wizyty na ukończony epizod w porównaniu z 8 wizytami w przypadku standardowej opieki stacjonarnej.
- Obniżenie kosztu na odcinek o 74% dzięki zwiększeniu wydajności i skalowalności.
- Sprawdzone wyniki kliniczne, z obiektywnym śledzeniem przestrzegania zaleceń i poprawy funkcjonalnej za pomocą AI w internecie.
Dodatkowo aplikacja internetowa LainaHealth jest przeznaczona dla pacjentów w wieku od 12 do 99 lat, co pokazuje, że nasze oparte na AI podejście działa w przypadku różnych grup użytkowników i poziomów umiejętności technicznych.
Wnioski i rekomendacje
Fizjoterapia od dawna boryka się z praktycznym problemem dostępności – pacjenci mają trudności z uczestniczeniem w sesjach ze względu na czas, odległość i koszty. Dzięki połączeniu internetowej AI i licencjonowanych fizjoterapeutów znacznie zmniejszyliśmy te bariery i umożliwiliśmy powrót do zdrowia w domowym zaciszu.
Opracowaliśmy model i aplikację, które zapewniają większą dostępność, niższe koszty i szybszy powrót do zdrowia, aby pomóc pacjentom wrócić do życia, jakie chcą prowadzić. Udowodniliśmy, że inteligentna sztuczna inteligencja oparta na przeglądarce może usprawnić, a nie zastąpić, opiekę nad pacjentami, umożliwiając bardziej spersonalizowane, skalowalne i skuteczne podejście do zdrowia układu mięśniowo-szkieletowego.