KI-Biomechanik & Übungsverifizierung
Pose-Estimation ist kostenlos. BlazePose, MoveNet und MediaPipe sind Open-Source und laufen auf jedem Smartphone. Das schwierige Problem ist die Ebene darüber: übungsspezifische biomechanische Intelligenz, die weiß, dass ein 70-jähriger Patient nach einer Knie-Endoprothese andere Kniebeugen-Tiefenziele hat als ein 30-jähriger Corporate Athlete. Diese Ebene bauen wir. Maßgeschneiderte Engines zur Übungsverifizierung für Physiotherapie-Plattformen und betriebliche Gesundheitsprogramme, vom Kamerainput bis zu RTM-konformen Compliance-Daten.
35 %
der Physiotherapie-Patienten halten sich vollständig an Heimübungen
Physiopedia / Sprypt, 2025
3.591 $
jährliche MSK-Belastung pro Mitarbeitendem
UHC (486 $ direkt) + BioFunctional (3.105 $ Produktivität)
96 %
der Arbeitgeber, die bis 2027 virtuelle MSK-Versorgung anbieten
Business Group on Health, 2025
Ob Sie eine Physiotherapie-Plattform entwickeln, die Übungsverifizierung für die RTM-Abrechnung benötigt, oder ein betriebliches Gesundheitsprogramm, das betrugsresistentes Übungs-Tracking braucht – die Lücke ist dieselbe: Rohe Pose-Daten hinein, klinisch sinnvolle Entscheidungen heraus.
Jedes Fitness-KI-Unternehmen betreibt Pose-Estimation. Die Frage ist, was geschieht, nachdem die Keypoints extrahiert wurden.
Ein 62-jähriger Patient, 8 Wochen nach einer VKB-Rekonstruktion, führt zu Hause verordnete Kniebeugen mit dem eigenen Körpergewicht aus. Seine Smartphone-Kamera erfasst die Bewegung. BlazePose extrahiert 33 Keypoints pro Frame bei 30 FPS. Folgendes zeigen die Rohdaten:
Eine Pose-Estimation-Bibliothek liefert diese Zahlen. Sie weiß nicht, dass:
Diese Interpretationsebene ist das, was wir bauen. Pose-Estimation ist der Sensor. Übungsintelligenz ist das Gehirn. Der Sensor ist zur Massenware geworden. Das Gehirn nicht.
65 % der Patienten brechen Heimübungsprogramme innerhalb des ersten Monats ab. Selbstberichtete Compliance ist unzuverlässig. Behandelnde möchten RTM-Codes (98975–98981) abrechnen, benötigen dafür aber verifizierte Übungsdaten mit Zeitstempeln, Qualitätsmetriken und Protokollzuordnung, um die Dokumentationsanforderungen der CMS zu erfüllen.
Die CMS Final Rule 2026 führte die CPT-Codes 98979 und 98985 ein und senkte die RTM-Abrechnungsschwelle von 16 Tagen auf nur noch 2 Tage Monitoring und von 20 Minuten auf 10 Minuten Management-Zeit. Mehr Patienten sind nun abrechenbar. Die Dokumentation erfordert jedoch weiterhin gerätegestützt erhobene Daten, die mit Behandlungsentscheidungen verknüpft sind.
Nur 25 % der Mitarbeitenden nutzen verfügbare Gesundheitsprogramme tatsächlich. Über 50 % äußern Bedenken, Gesundheitsdaten zu teilen. Und nach mehreren Skandalen um „geschüttelte Fitbits“ verlangen Arbeitgeber eine Übungsverifizierung, die sich nicht wie Überwachung anfühlt.
Der Markt für betriebliches Gesundheitsmanagement erreicht 2026 ein Volumen von 100 Mrd. $, doch nur 25 % der Mitarbeitenden nutzen die verfügbaren Programme tatsächlich. Das Vertrauensproblem sitzt tief: Über die Hälfte der Mitarbeitenden weigert sich, Gesundheitsdaten mit ihrem Arbeitgeber zu teilen. Gleichzeitig sind 36 % der MSK-Operationen unnötig und kosten die Belegschaft 90 Mrd. $ (Employee Benefit News). Verifizierte Übungsdaten schaffen ein anderes Wertversprechen: die Früherkennung nachlassender Bewegungsqualität, die eine klinische Überprüfung auslöst, bevor teure Eingriffe notwendig werden.
Holen Sie diese Tabelle bei Ihrer nächsten Anbieterbewertung hervor. Jeder Eintrag spiegelt ausgelieferte Fähigkeiten zum Stand Q1 2026 wider, keine Roadmap-Versprechen.
| Anbieter | Was sie ausliefern | Verifizierungsmethode | Wo es zu kurz greift |
|---|---|---|---|
| Hinge Health | Full-Stack-MSK-Plattform. TrueMotion-Computer-Vision, Robin-KI-Triage-Assistent. Prognostizierter Umsatz 2026 von 732 Mio. $. | Computer Vision (Movement Analysis) + IMU-Wearable-Sensor | Geschlossene Plattform. Lässt sich nicht in Ihr Produkt einbetten. Auf Großarbeitgeber ausgerichtete Preise, nicht auf Physiotherapie-Klinikverbünde. Ihre Verifizierungstechnologie ist in ihr Versorgungsmodell eingeschlossen. |
| Sword Health + Kaia | Kaia übernommen (285 Mio. $, Jan. 2026). Kombiniert M-band-Wearable + Kaias Motion-Coach-Computer-Vision. Plant eine Finanzierungsrunde über 500 Mio. $. | Wearable-Sensor-Biofeedback + markerlose Computer Vision (kombiniert nach der Übernahme) | Dasselbe Lock-in wie bei Hinge. Kaias US-MSK-Lösung wird durch die Plattform von Sword ersetzt, sodass sich Kaia-Kunden in der Übergangsphase befinden. Die Hardware-Abhängigkeit (M-band) erzeugt logistische Reibung bei der Skalierung. |
| Peloton IQ | Kameras zur Bewegungsanalyse in der Cross-Training-Serie (eingeführt Okt. 2025). Wiederholungszählung, Korrekturen der Bewegungsausführung, Wearable-Integration. | Integrierte KI-Kamera in der Hardware | Consumer-Fitness, nicht klinisch. Keine RTM-Fähigkeit. Hardware-gebunden (funktioniert nur mit Peloton-Geräten). Nicht als Plattform oder SDK verfügbar. |
| Kemtai | B2B-Computer-Vision-Plattform. 44 Körper-Landmarks, Skelett-Overlay, korrigierende Anleitung in Echtzeit. Browserbasiert (WebGPU). | Browserbasierte Pose-Estimation mit regelbasierter Korrektur der Bewegungsausführung | Allgemeiner Fitness-Fokus, nicht klinisch validiert für die Physiotherapie. Browserbasiert bedeutet keine NPU-Beschleunigung (höhere Latenz). Die Regel-Engine ist allzweckorientiert, nicht pro Patient pro Übung konfigurierbar. |
| QuickPose | B2B-iOS-SDK für Fitness-Apps. KI-Zähler, Timer, Form-Check. Schnelle Integration. | iOS-SDK mit Pose-Estimation + grundlegenden Winkelschwellen | Nur iOS. Bietet Pose-Estimation mit grundlegendem Feedback zur Bewegungsausführung, keine tiefgehende biomechanische Analyse. Keine zeitliche Modellierung (Wiederholungsqualität, Ermüdungserkennung, Trendanalyse). Keine RTM-Dokumentationsausgabe. |
| Limber Health | Spezialist für RTM-Abrechnung. Patentanmeldung für Risikostratifizierung. 3,3-fache Abschlussrate von HEP-Sitzungen. Mehr als 30 % bessere Ergebnisse (Athletico-Daten). | Selbstberichtetes Übungs-Tracking + RTM-Abrechnungsworkflow | Stark beim RTM-Abrechnungsworkflow, doch die Übungs-Compliance ist selbstberichtet, nicht per Computer Vision verifiziert. Die Abrechnungsinfrastruktur ist hervorragend; die Übungsverifizierung ist die Lücke. |
| MedBridge | Über 3.500 Gesundheitsorganisationen. Übungsverordnung, patientenorientierte Therapievideos, RTM-Fähigkeiten. | Übungs-Videobibliothek + Selbstauskunft der Patienten + RTM | Hervorragende Inhalte und klinischer Workflow. Der Übungsabschluss erfolgt videobasiert (Patient schaut zu und meldet zurück). Keine Verifizierung der Bewegungsausführung, kein Quality-Scoring, keine biomechanische Analyse. |
| Big 4 / Große SIs | Accenture, Deloitte und ähnliche Firmen beraten zu Digital-Health-Strategie und Plattformauswahl. | Strategieberatung, kein Technologie-Build | Sie empfehlen und integrieren Plattformen. Sie bauen keine Engines für Übungsintelligenz. Mandate kosten 500.000 $ bis über 2 Mio. $ und liefern Empfehlungen, keine eingesetzten Systeme. Für eine Physiotherapie-Plattform, die ein SDK braucht und kein Strategiepapier, sind sie das falsche Werkzeug. |
| Veriprajna | Maßgeschneiderte Übungsintelligenz-Ebene. Edge-SDK, RTM-Dokumentationspipeline, für Behandelnde konfigurierbare Schwellenwerte. | On-Device-Pose-Estimation + TCN-Zeitanalyse + biomechanische Regel-Engine | Keine Versorgungsplattform. Stellt keine Physiotherapeuten, klinischen Workflows oder Patientenverwaltung bereit. Wir bauen die Verifizierungs-Engine; Sie bauen (oder haben bereits) das Produkt darum herum. Die Genauigkeit monokularer Kameras hat reale Grenzen (siehe FAQ). |
Fünf Fähigkeiten, jede darauf ausgelegt, ein konkretes Problem in der Pipeline der Übungsverifizierung zu lösen. Wir bauen diese als eigenständige Module oder als integriertes System, je nachdem, was Ihre Plattform benötigt.
Der schwierige Teil. Biomechanische Regelwerke für über 30 Physiotherapie-Übungen, jeweils mit Definition von: Zielgelenkwinkeln pro Übungsphase, akzeptablen ROM-Bereichen, Mindestamplitude für gültige Wiederholungszählung, Gleichmäßigkeitskriterien (Log Dimensionless Jerk) und bilateralen Symmetrie-Baselines.
Wir kalibrieren Schwellenwerte gemeinsam mit Kinesiologen, nicht nur mit ML-Ingenieuren. Eine Schwelle für die Kniestreckung bei einem postoperativen Patienten in Woche 4 unterscheidet sich grundlegend von der in Woche 12. Die Regel-Engine behandelt dies als für Behandelnde konfigurierbare Parameter, nicht als fest codierte Werte. Für 30 zentrale Physiotherapie-Übungen streben wir beim Quality-Scoring eine Übereinstimmung von über 85 % mit der Bewertung durch erfahrene Physiotherapeuten an.
Vom Kamerainput zu strukturierten Daten, die die CMS-Dokumentationsanforderungen für die CPT-Codes 98975–98981 (plus die neuen Codes 98979 und 98985 von 2026) erfüllen. Die Pipeline gibt mit Zeitstempeln versehene Sitzungsberichte aus: verifizierte Wiederholungszahlen, Qualitätswerte je Wiederholung, ROM-Messungen, die dem verordneten Übungsprotokoll zugeordnet sind, und Trenddaten über mehrere Sitzungen hinweg.
Das Ausgabeformat ist FHIR-kompatibles JSON, ausgelegt für die Integration mit EHR-Systemen. Der Bericht ist direkt mit dem verordneten Übungsplan des Patienten verknüpft, sodass die Behandelnden „Patient hat 12 von 15 verordneten Kniestreckungen abgeschlossen, durchschnittlicher Qualitätswert 7,2/10, ROM-Trend: 78 bis 84 Grad über 2 Wochen“ sehen statt roher Koordinatendaten.
Plattformübergreifendes SDK (iOS + Android), das vollständig auf dem Gerät läuft. Pose-Estimation über BlazePose (33 Keypoints, 3D) oder MoveNet Lightning (17 Keypoints, geschwindigkeitsoptimiert), mit NPU-Beschleunigung über CoreML- und NNAPI-Delegates. Inferenz in 15 ms auf der NPU, Gesamtlatenz von Glas zu Glas unter 50 ms.
Videoframes werden unmittelbar nach der Keypoint-Extraktion verworfen. Keine Pixeldaten verlassen das Gerät. Dies ist nicht nur ein Datenschutzmerkmal; es ist eine Architekturentscheidung, die eine Exposition biometrischer Daten gemäß BIPA/DSGVO ausschließt, Kosten für Cloud-Inferenz beseitigt (keine Grenzkosten pro Sitzung) und den Offline-Betrieb für Patienten mit unzuverlässiger Konnektivität ermöglicht.
Übungsbewertung, die sich an das klinische Profil des Nutzers anpasst. Ein 70-jähriger Patient nach einer Knie-Endoprothese hat andere Kniebeugen-Tiefenanforderungen als ein 30-jähriger Corporate Athlete in einem Gesundheitsprogramm. Das System unterstützt von Behandelnden einstellbare Schwellenwerte pro Patient pro Übung, mit sinnvollen Standardwerten basierend auf Altersgruppe, Krankheitstyp und Erholungsphase.
Dazu gehört Intelligenz beim Kamera-Setup. Verschiedene Übungen erfordern verschiedene Kamerawinkel: Seitenansicht zur Beurteilung der Kniebeugentiefe, Frontalansicht zur Erkennung von Knievalgus. Das SDK enthält einen Einrichtungsassistenten, der Positionierungsfeedback in Echtzeit gibt („Bewegen Sie Ihr Telefon 60 cm nach links“) sowie ein Confidence-Gating, das die Analyse pausiert, wenn die Sichtbarkeit der Keypoints unter den Schwellenwert fällt, statt Winkel aus verdeckten Gelenken zu erraten.
Die Branche bewegt sich von passivem Tracking hin zu autonomen Gesundheitsagenten. Das Programm ADVOCATE von ARPA-H entwickelt klinische KI-Agenten, die Behandlungspläne autonom anpassen. Wir bauen Übungs-Monitoring-Agenten, die über die Bewertung einzelner Sitzungen hinausgehen. Der Agent verfolgt Muster über mehrere Sitzungen hinweg: nachlassende ROM-Trends, die auf eine Verschlechterung des Patienten hindeuten, zunehmende Asymmetrie, die auf Kompensationsmuster hinweist, ermüdungsbedingte Verschlechterung der Bewegungsausführung, die mit der Tageszeit oder den Tagen seit der letzten Sitzung korreliert.
Für Physiotherapie-Plattformen bedeutet dies proaktive Warnungen an die Behandelnden („Der ROM der Kniebeugung von Patient X ist über die letzten 5 Sitzungen um 8 Grad gesunken, was auf einen möglichen Rückschlag hindeutet“), statt auf den nächsten persönlichen Besuch zu warten. Für das betriebliche Gesundheitsmanagement bedeutet es eine Trendanalyse auf Programmebene, die erkennt, welche Übungsinterventionen die MSK-Ergebnisse tatsächlich verbessern und welche Teilnahme ohne Fortschritt erzeugen.
Ein Patient öffnet Ihre Physiotherapie-App und beginnt einen verordneten Satz von 15 Kniebeugen mit dem eigenen Körpergewicht. Folgendes geschieht in den 46 Millisekunden zwischen jedem Kameraframe und dem Feedback auf dem Bildschirm.
Die Gerätekamera erfasst einen Frame. BlazePose (läuft auf der NPU über CoreML- oder NNAPI-Delegate) extrahiert 33 skelettale Keypoints mit 3D-Koordinaten (x, y, z) und Confidence-Werten je Keypoint. Gesamte Inferenz: 10–15 ms auf der NPU. Der Videoframe wird verworfen. Nur Koordinaten werden weitergeleitet.
Rohe Keypoints zittern aufgrund von Pixel-Quantisierungsrauschen von Frame zu Frame. Ein gleitender Mittelwert würde das Jitter glätten, aber über 300 ms Latenz hinzufügen. Wir verwenden den 1-Euro-Filter, der seine Grenzfrequenz auf Basis der Geschwindigkeit anpasst: aggressive Glättung, wenn der Patient eine Pose hält (beseitigt sichtbares Jitter), minimale Glättung bei schneller Bewegung (erhält die Reaktionsfähigkeit). Das Ergebnis: stabile Koordinaten mit nahezu null zusätzlicher Latenz.
Fällt der Confidence-Wert des Hüft-Keypoints unter 0,5 (Arm verdeckt die Hüfte, schlechte Beleuchtung, Problem mit dem Telefonwinkel), pausiert die Analyse und der Patient sieht „Kamerawinkel anpassen, Hüfte nicht sichtbar.“ Wir erraten niemals Gelenkwinkel aus Keypoints mit geringer Confidence. Eine falsche Warnung „Ihr Knie knickt ein“ bei einer korrekten Wiederholung zerstört das Vertrauen sofort. Eine versäumte Warnung bei tatsächlichem Valgus erzeugt Haftung. Der Schwellenwert ist bewusst streng gewählt.
Der geglättete Keypoint-Stream fließt in ein Temporal Convolutional Network mit kausalen erweiterten Faltungen. Anders als LSTMs (die Frames sequenziell verarbeiten und mit langen Sequenzen kämpfen) verwenden TCNs parallele Faltungen mit exponentiell wachsenden rezeptiven Feldern. Schicht 1 sieht benachbarte Frames. Schicht 10 sieht 512 Frames Historie. Dadurch kann das Modell gleichzeitig die momentane Bewegungsausführung (tritt der Knievalgus gerade jetzt auf?) und langfristige Muster (verschlechtert sich die Wiederholungsqualität im Verlauf des Satzes?) analysieren. Aktuelle Forschung (MSA-TCN, IEEE 2025) erreicht 98,7 % HAR-Genauigkeit bei einer Modellgröße von 0,08 MB und 1,8 ms Inferenz auf Mittelklasse-Smartphones.
Die biomechanische Regel-Engine wendet übungsspezifische Logik an. Für diese Kniebeuge: Amplitude (hat die Hüftverschiebung den von den Behandelnden festgelegten Tiefenschwellenwert überschritten?), Gleichmäßigkeit (Log-Dimensionless-Jerk-Wert, wobei ein hoher Jerk auf Zittern oder Schummeln mit Schwung hindeutet), Symmetrie (Asymmetrieindex, der die Signalenergie des linken und rechten Beins vergleicht) und Tempo (Verhältnis von Abstieg zu Aufstieg als Indikator für Kompensationsbewegungen). Jede Metrik ist einem Qualitätswert je Wiederholung zugeordnet.
Der Patient erhält gleichzeitiges Audio-/Haptik-Feedback („Tiefer gehen“ oder „Gute Wiederholung“). Am Ende der Sitzung erzeugt das SDK einen strukturierten JSON-Bericht: 12 von 15 verordneten Wiederholungen abgeschlossen, durchschnittliche Qualität 7,4/10, ROM der Kniebeugung 78–84 Grad (Verbesserung gegenüber den 72–80 der letzten Sitzung), eine Valgus-Markierung bei Wiederholung 9. Dieser Bericht ist direkt dem verordneten Protokoll zugeordnet und fließt in Ihre RTM-Dokumentationspipeline.
Gesamtlatenz von Glas zu Glas: ~46 ms. Zum Vergleich: Die menschliche visuelle Reaktionszeit beträgt 150–250 ms. Das System erkennt und reagiert auf Fehler in der Bewegungsausführung schneller, als der Patient sie wahrnehmen kann, und ermöglicht echtes gleichzeitiges Feedback statt des „verzögerten Feedbacks“, das cloudbasierte Systeme 2–5 Sekunden nach der bereits erfolgten Bewegung liefern.
Ein typisches Mandat läuft 5–8 Monate von der Bewertung bis zum Produktiveinsatz. Der Zeitrahmen hängt davon ab, wie viele Übungen Sie verifizieren lassen müssen und ob Ihre Plattform bereits Pose-Estimation integriert hat.
Liefergegenstand: Dokument der technischen Anforderungen + Übungs-Prioritätsmatrix + Architekturempfehlung
Liefergegenstand: funktionsfähiges, in Ihre App integriertes SDK + Übungs-Regelbibliothek + Dokumentationspipeline
Liefergegenstand: Validierungsbericht mit Genauigkeitsmetriken je Übung + Schwellenwertanpassungen + Dokumentation der Grenzen
Liefergegenstand: Produktiveinsatz + Performance-Bericht des Piloten + Erweiterungs-Roadmap für zusätzliche Übungen
Ehrlicher Vorbehalt: Das Hinzufügen einer neuen Übung zur Bibliothek dauert jeweils 1–2 Wochen. Übungen mit klaren periodischen Mustern (Kniebeugen, Wadenheben, Bizeps-Curls) lassen sich schneller kalibrieren. Komplexe mehrphasige Bewegungen (Turkish Get-ups, olympisches Gewichtheben) oder nicht-periodische Übungen (Yoga-Flows, isometrische Halteübungen) dauern länger und können niedrigere Confidence-Werte aufweisen. Wir grenzen dies vorab ein, damit Sie wissen, was Sie erhalten.
Beantworten Sie sechs Fragen zum aktuellen Stand Ihrer Plattform. Die Bewertung verortet Sie auf der Reifegradkurve der Übungsverifizierung und identifiziert die konkreten zu schließenden Lücken.
1. Verwendet Ihre Plattform derzeit eine Form der Pose-Estimation oder des Bewegungs-Trackings?
2. Wie verifiziert Ihre Plattform derzeit den Übungsabschluss?
3. Können Behandelnde oder Programmverantwortliche Übungsschwellenwerte pro Nutzer konfigurieren?
4. Unterstützt die Ausgabe Ihrer Übungsdaten die RTM-Abrechnung oder ein strukturiertes Gesundheits-Reporting?
5. Wo läuft die Übungsanalyse?
6. Wie viele Übungen muss Ihre Plattform verifizieren?
Wir bauen ein mobiles SDK, das sich in Ihre bestehenden iOS- und Android-Apps integriert. Das SDK übernimmt die Pose-Estimation auf dem Gerät (MediaPipe BlazePose für das Tracking von 33 Keypoints oder MoveNet Lightning für geschwindigkeitskritische Szenarien), die Jitter-Glättung über die 1-Euro-Filterung und die übungsspezifische Analyse der Bewegungsausführung. Ihre App ruft das SDK auf, wenn ein Patient eine Übungssitzung beginnt. Das SDK gibt strukturierte Daten zurück: Wiederholungszahlen, Qualitätswerte je Wiederholung, Gelenkwinkelmessungen und Compliance-Zusammenfassungen der Sitzung. Die Integration dauert in der Regel 3–4 Wochen für die API-Anbindung, plus 2–3 Wochen für die UI-Arbeit auf Ihrer Seite zur Anzeige des Feedbacks. Das SDK läuft vollständig auf dem Gerät über CoreML- (iOS) oder NNAPI- (Android) Delegates, sodass keine Cloud-Kosten pro Inferenz anfallen und keine Videodaten das Telefon des Patienten verlassen. Für physiotherapiespezifische Einsätze enthalten wir für Behandelnde konfigurierbare Schwellenwerte: Ihre Therapeuten legen über ein Web-Dashboard den Ziel-ROM, akzeptable Bereiche und Qualitätskriterien pro Patient pro Übung fest. Das SDK setzt diese Schwellenwerte während der Sitzung durch und markiert Abweichungen im Compliance-Bericht.
Ehrlich gesagt hängt es von der Übung und der Messung ab. MediaPipe BlazePose zeigt eine Pearson-Korrelation von 0,91 für Bewegungen der oberen Extremität und 0,80 für Bewegungen der unteren Extremität gegenüber Qualisys-Motion-Capture (dem Goldstandard). Speziell für die Kniebeugung hat die monokulare Kameramessung einen mittleren absoluten Fehler von 9,3 bis 21,9 Grad in 2D. Das ist keine klinische Qualität für eine präzise goniometrische Messung. Doch die RTM-Abrechnung unter den CPT-Codes 98975–98981 erfordert keine goniometrische Präzision. Die CMS-Dokumentationsanforderungen schreiben mit Zeitstempeln versehene Daten von einem Monitoring-Gerät, Aufzeichnungen der Patienteninteraktion und Behandlungsplanentscheidungen auf Basis der Monitoring-Daten vor. Was Behandelnde für RTM benötigen, ist ein verifizierter Übungsabschluss (hat der Patient die verordneten 15 Wiederholungen Kniestreckungen ausgeführt?), eine näherungsweise Qualitätsbeurteilung (lagen die Wiederholungen in einem angemessenen ROM-Bereich?) und Trenddaten über die Zeit (verbessert sich der ROM Woche für Woche?). Kamerabasierte Systeme liefern dies zuverlässig. Wo wir die Grenze ziehen: Wir behaupten keine Winkelmessung in klinischer Qualität aus einer einzigen Telefonkamera. Für Patienten, bei denen eine präzise ROM-Messung wichtig ist (etwa postoperative Genesungsmeilensteine), empfehlen wir eine Ergänzung durch Goniometer-Kontrollen während persönlicher Besuche. Das Kamerasystem deckt die 28 Tage zwischen den Besuchen ab, in denen der Patient zu Hause unbeaufsichtigt Übungen macht.
Über 50 % der Mitarbeitenden äußern Bedenken, Gesundheitsinformationen mit ihrem Arbeitgeber zu teilen, und kamerabasiertes Monitoring verstärkt diese Bedenken. Wir begegnen dem mit einer Edge-First-Architektur, bei der niemals Video das Gerät verlässt. Die Telefonkamera erfasst Frames, das Modell auf dem Gerät extrahiert die Koordinaten skelettaler Keypoints (33 x-, y-, z-Werte pro Frame), und die Videoframes werden unmittelbar verworfen. Nur aggregierte Sitzungsdaten erreichen die Gesundheitsplattform des Arbeitgebers: Übungstyp, Wiederholungszahl, Qualitätswert, Sitzungsdauer. Kein Video. Keine Keypoint-Streams. Keine Bewegungsmuster, die als biometrische Identifikatoren fungieren könnten. Dies ist auch rechtlich von Bedeutung. Koordinaten-Streams skelettaler Keypoints können biometrische Daten gemäß BIPA (Illinois) und Artikel 9 der DSGVO darstellen, da die Ganganalyse nachweislich als biometrischer Identifikator dient. Indem wir auf dem Gerät verarbeiten und nur aggregierte Metriken übertragen, bleiben wir auf der richtigen Seite des biometrischen Datenschutzrechts. Der Mitarbeitende sieht sein eigenes Feedback zur Bewegungsausführung in Echtzeit auf seinem Bildschirm. Der Arbeitgeber sieht ein Compliance-Dashboard mit Teilnahmeraten und aggregierten Qualitätstrends. Die Lücke zwischen diesen beiden Ansichten ist die Datenschutzgrenze, und wir setzen sie architektonisch durch, nicht nur per Richtlinie.
Hinge Health (mit einem prognostizierten Umsatz von 732 Mio. $ in 2026) und Sword Health (das im Januar 2026 Kaia Health für 285 Mio. $ übernahm) sind Full-Stack-Plattformen: Sie stellen die Physiotherapie, die Übungen, das Monitoring und die klinische Unterstützung bereit. Wenn Sie eine durchgängige MSK-Lösung für Ihre Mitarbeitenden kaufen möchten, sind das starke Optionen. Veriprajna konkurriert damit nicht. Wir bauen die Intelligenz-Ebene für die Übungsverifizierung für Organisationen, die sie in ihre eigene Plattform eingebettet benötigen. Drei Szenarien, in denen dies wichtig ist: Erstens, wenn Sie eine Physiotherapie-Plattform oder ein Digital-Health-Unternehmen sind, das ein eigenes MSK-Produkt baut, benötigen Sie eine Technologie zur Übungsverifizierung, möchten aber nicht das Konkurrenzprodukt von Hinge Health als White-Label nutzen. Wir bauen das SDK, das das Übungs-Monitoring Ihrer Plattform antreibt. Zweitens, wenn Sie ein großer Arbeitgeber (über 5.000 Mitarbeitende) sind, der bereits einen MSK-Anbieter hat, aber eine unabhängige Übungsverifizierung für sein breiteres Gesundheitsprogramm über MSK hinaus wünscht, einschließlich allgemeiner Fitness-Challenges, präventiver Übungen und ergonomischer Compliance. Drittens, wenn Sie in einem regulierten Kontext tätig sind (Versicherungs-Underwriting, Validierung von Arbeitsunfallansprüchen), in dem Sie die Verifizierungsebene von jeder einzelnen Versorgungsplattform entkoppelt benötigen, damit sie unabhängig auditiert werden kann. Wir sind die Verifizierungsebene, nicht die Versorgungsplattform.
Wir beginnen Einsätze mit einer Kernbibliothek von 30 Physiotherapie-Übungen, die die häufigsten Rehabilitationsprotokolle abdecken: ROM-Übungen (Schulterflexion und -abduktion, Kniebeugung und -streckung, Hüftflexion, Sprunggelenk-Dorsalflexion), Kräftigung (Kniebeuge, Ausfallschritt, Brücke, Wadenheben, Wand-Liegestütz, sitzendes Rudern, Bizeps-Curl), Gleichgewicht (Einbeinstand, Tandemstand) und funktionelle Bewegungen (Aufstehen aus dem Sitzen, Step-up, Ganganalyse). Jede Übung verfügt über ein biomechanisches Regelwerk, das die Schwellenwerte für eine gültige Bewegungsausführung definiert: Zielgelenkwinkel, akzeptable Bereiche, Mindestamplitude für die Wiederholungszählung, Gleichmäßigkeitskriterien und Symmetrie-Baselines. Das Hinzufügen einer neuen Übung dauert 1–2 Wochen. Der Prozess umfasst die Definition des biomechanischen Regelwerks mit einem Kinesiologen (welche Gelenke zu verfolgen sind, welche Winkel die Übungsphasen definieren, was eine Qualitätswiederholung ausmacht), das Sammeln von Kalibrierungsdaten von 20–30 Probanden unterschiedlicher Körpertypen und die Validierung gegen die Bewertung erfahrener Physiotherapeuten mit dem Ziel von über 85 % Übereinstimmung beim Quality-Scoring. Übungen mit klaren periodischen Mustern (Kniebeugen, Bizeps-Curls, Wadenheben) sind unkompliziert. Komplexe mehrphasige Bewegungen (Turkish Get-ups, olympisches Gewichtheben) oder nicht-periodische Bewegungen (Yoga-Flows, isometrische Halteübungen) erfordern mehr Kalibrierungszeit und können niedrigere Confidence-Werte aufweisen. Wir sind transparent darüber, welche Übungen das System gut handhabt und welche nicht.
MSK-Erkrankungen kosten Arbeitgeber rund 40,51 $ pro Mitglied und Monat an direkten Gesundheitskosten (UnitedHealthcare), plus 3.105 $ pro Mitarbeitendem und Jahr an Produktivitätsverlusten durch MSK-bedingte Fehlzeiten. Das sind grob 3.591 $ pro Mitarbeitendem und Jahr an kombinierter Belastung. Der Kostensenkungsmechanismus ist nicht die KI selbst. Es ist das, was verifizierte Übungsdaten ermöglichen. Erstens Frühintervention: Wenn das System nachlassende ROM-Trends oder zunehmende Asymmetrie in den Übungsdaten eines Teilnehmers erkennt, löst es eine klinische Überprüfung aus, bevor sich der Zustand zu einem chirurgischen Fall verschlechtert. 36 % der MSK-Operationen sind unnötig (Employee Benefit News), und jede vermiedene Operation spart 30.000–50.000 $. Zweitens treibt verifizierte Adhärenz bessere Ergebnisse: Physiotherapie-Patienten, die RTM-fähiges Übungs-Monitoring nutzen, absolvieren 3,3-mal mehr Heimübungssitzungen als jene in Standardprogrammen (Daten von Limber Health), und Athletico Physical Therapy berichtet von über 30 % besseren Ergebnissen mit RTM. Drittens beseitigt verifizierte Übung speziell für betriebliche Gesundheitsprogramme den Betrug, der das Vertrauen der Arbeitgeber untergraben hat. Wenn Anreize an verifizierten Abschluss statt an selbstberichtete Aktivität gekoppelt sind, steigt die Teilnahme unter denjenigen, die tatsächlich Sport treiben, weil das System nicht länger Menschen belohnt, die ihren Fitbit schütteln. Die realistische Einsparungsspanne liegt bei 800–2.000 $ pro aktivem Mitarbeitendem und Jahr, abhängig von der MSK-Belastung der Population und der Beteiligungsrate des Programms.
Die interaktiven Whitepapers hinter dieser Lösungsseite. Sie decken die technischen Grundlagen ausführlich ab.
Edge-KI-Architektur für Pose-Estimation-Feedback unter 50 ms. Vergleich von BlazePose, MoveNet und YOLOv11, Mathematik des 1-Euro-Filters, NPU-Beschleunigung und das biomechanische Argument gegen cloudbasierte Übungsanalyse.
TCN-Architektur für die Übungsverifizierung. Kausale erweiterte Faltungen, klassenunabhängige Wiederholungszählung über temporale Selbstähnlichkeitsmatrizen, Quality-Scoring durch Amplitudenschwellen und Log Dimensionless Jerk sowie das Argument, menschliche Bewegung als Signalverarbeitungsproblem zu behandeln.
65 % brechen Heimübungsprogramme innerhalb des ersten Monats ab. Von denjenigen, die weitermachen, überschätzt die selbstberichtete Compliance die tatsächliche Adhärenz.
Verifizierte Übungsdaten verändern diese Gleichung. Sie geben Behandelnden echte Compliance-Daten für Behandlungsentscheidungen, geben Arbeitgebern die Gewissheit, dass Gesundheitsbudgets Ergebnisse erzielen, und geben Patienten Echtzeit-Feedback, das Heimübungsprogramme tatsächlich funktionieren lässt. Die Technologie zur Erfassung von Bewegung ist kostenlos. Die Intelligenz, sie zu interpretieren, ist das, was wir bauen.