Опубликовано: 5 февраля 2026 г.
В практике физиотерапии существует фундаментальная проблема вовлеченности пациентов. Несмотря на то, что это один из наиболее эффективных и часто назначаемых методов лечения заболеваний опорно-двигательного аппарата, только 25-35% направленных пациентов начинают терапию, и лишь 30% завершают лечение.
Для многих препятствия носят практический характер — длительное время ожидания, ограничения по местоположению, проблемы с расписанием и регулярные расходы из собственного кармана. Для других проблема заключается в доступности. Хотя виртуальная медицинская помощь стала более распространенной, она может представлять трудности для людей с низким уровнем технических навыков.
LainaHealth — это виртуальный поставщик услуг физиотерапии, использующий цифровую платформу для лечения опорно-двигательного аппарата, разработанную для повышения доступности и экономической эффективности физиотерапии. Мы объединяем лицензированных терапевтов с нашим навигационным помощником на основе искусственного интеллекта (Laina). Под руководством лицензированных физиотерапевтов Laina обеспечивает интеллектуальную автоматизацию, обучая и развертывая в сети пользовательскую модель, которая предоставляет анализ движений в реальном времени, персонализированную программу упражнений и интерактивную поддержку.
Наша задача: создать приложение для всех.
Приемлемое решение должно эффективно лечить широкую аудиторию, поэтому нам нужно было, чтобы оно было независимым от устройства, простым в использовании и доступным. Мы стремились создать платформу, которая могла бы бесперебойно работать для любого пользователя, без необходимости загрузки приложения. Поскольку мы являемся компанией из США, а физиотерапия — это медицинская услуга, это также означало, что наше приложение должно соответствовать медицинским стандартам и требованиям HIPAA .
До 2020 года мы обнаружили, что большинство цифровых решений требовали установки специального оборудования или приложений, что создавало значительные неудобства для пациентов. Мы создавали прототипы, которые полагались на дополнительные внешние устройства (например, планшеты), что приводило к проблемам с задержками доставки, сложностям с настройкой сети и дополнительным затратам. Из-за этих факторов масштабирование нашего решения было практически невозможно.
Мы предположили, что улучшим вовлеченность пациентов и результаты лечения, если разработаем наше приложение на веб-платформе. Если бы не требовалось скачивание и техническая настройка, препятствий было бы значительно меньше.
Наше приложение соответствует требованиям FDA для веб-приложений класса II , использующих машинное обучение (МО) без специальных датчиков или оборудования, и при этом обеспечивающих анализ движений в реальном времени. Для обеспечения конфиденциальности мы понимали, что нам потребуется анализ данных на устройстве и защищенные токенизированные ссылки. Мы решили оценивать наш успех по тому, насколько легко пациенты могут получить доступ к медицинской помощи, по более высокой вовлеченности пациентов и по более низкой стоимости курса лечения или эпизода .
Машинное обучение для персонализированной терапевтической поддержки
Мы начали с создания прототипа с использованием модели PoseNet, чтобы оценить осуществимость нашей идеи. Первые результаты были многообещающими, но общая точность и скорость модели оказались недостаточными для запуска. Затем мы попробовали модель MoveNet , API для определения поз в TensorFlow.js . Хотя она улучшила скорость и точность, мы не достигли той же точности, что и модели, разработанные для специализированного оборудования.
Чтобы преодолеть это препятствие, мы в сотрудничестве с Google доработали подкласс MoveNet, оптимизированный специально для реабилитации опорно-двигательного аппарата. Мы записали и аннотировали данные о клинических движениях за несколько часов, чтобы обучить эту модель подкласса, и полученный анализ расширил возможности MoveNet, позволив распознавать не только положения суставов. MoveNet распознает двигательные паттерны и компенсации, которые имеют решающее значение для терапии опорно-двигательного аппарата.
Для соблюдения требований HIPAA и защиты конфиденциальности пациентов нам было необходимо, чтобы модель выполняла свои вычисления в браузере. Это гарантировало, что защищенная медицинская информация, такая как диагноз и состояние здоровья, не будет передаваться сторонним моделям или внешним поставщикам услуг.
Итак, мы преобразовали пользовательскую модель в TensorFlow.js . Наконец, мы реализовали несколько других задач по оптимизации производительности, направленных на поддержание скорости вывода в реальном времени и минимального времени загрузки на разных устройствах.
Наше первое внедрение в 2021 году доказало осуществимость концепции, но приложение не было независимым от типа устройства. Мы по-прежнему полагались на определенные устройства Apple для обработки данных. Хотя модель значительно улучшилась, она все еще испытывала трудности с отслеживанием определенных положений тела, движений лодыжек и вращением тела в трехмерном пространстве.
Мы провели тестирование с участием пользователей и обнаружили, что доверие пациентов к качеству изображения снижалось, когда они замечали искажения изображения и задержки. Пользователи начали замечать это, когда частота видеосигнала упала до менее чем 20 кадров в секунду.
Мы решили эти проблемы, уменьшив общую нагрузку на модель и внедрив несколько меньших моделей, работающих вместе. Каждая небольшая модель была настроена для конкретных областей тела и ориентаций. К концу 2023 года мы создали браузерную модель, которая достигла точности, близкой к точности устройства, и смогла измерять скорость и диапазон движения без использования специализированных датчиков. С тех пор мы можем предоставлять анализ движений медицинского уровня через единую защищенную веб-ссылку.
Мы предоставляем высококачественную физиотерапию онлайн, без необходимости настройки или загрузки каких-либо файлов.
Масштабирование вовлеченности и снижение затрат
Переведя LainaHealth и нашу систему оценки позы в веб-формат, мы масштабировали виртуальную физиотерапию на 45 штатах, улучшили взаимодействие с пациентами и снизили затраты:
74 %
Снижение затрат для пациентов
2 x
Показатели зачисления и завершения лечения пациентов
4 x
Участие в физиотерапии
- В 2 раза больше пациентов, завершивших лечение, в 2 раза выше процент завершения курса и в 4 раза выше вовлеченность по сравнению с традиционной физиотерапией.
- В среднем 34 визита на один завершенный курс лечения, по сравнению с 8 при стандартном очном лечении.
- Снижение стоимости одного эпизода на 74% за счет повышения эффективности и масштабируемости.
- Подтвержденные клинические результаты, включающие объективное отслеживание соблюдения режима лечения и функционального улучшения с помощью веб-ИИ.
Кроме того, веб-приложение LainaHealth обслуживает пациентов в возрасте от 12 до 99 лет, демонстрируя, что наш веб-подход, основанный на искусственном интеллекте, работает с различными группами населения и техническими возможностями.
Выводы и рекомендации
Физиотерапия давно сталкивается с проблемой доступности: пациентам трудно посещать сеансы из-за нехватки времени, расстояния и стоимости. Благодаря сочетанию веб-ИИ и лицензированных физиотерапевтов мы значительно снизили эти барьеры и сделали возможным восстановление, не выходя из дома.
Мы разработали модель и приложение, которые обеспечили более широкий доступ, меньшие затраты и более быстрое выздоровление, чтобы помочь пациентам вернуться к той жизни, которой они хотят жить. Мы показали, что интеллектуальный, работающий в браузере искусственный интеллект может улучшить, а не заменить, человеческое лечение, обеспечивая более персонализированный, масштабируемый и эффективный подход к здоровью опорно-двигательного аппарата.