Biomécanique IA et vérification des exercices
L'estimation de la posture est gratuite. BlazePose, MoveNet et MediaPipe sont open-source et s'exécutent sur n'importe quel téléphone. Le problème difficile, c'est la couche au-dessus : une intelligence biomécanique spécifique à chaque exercice qui sait qu'un patient de 70 ans en suite de prothèse du genou a des objectifs de profondeur de squat différents de ceux d'un athlète d'entreprise de 30 ans. Nous construisons cette couche. Des moteurs de vérification d'exercices sur mesure pour les plateformes de kinésithérapie et les programmes de bien-être en entreprise, de l'entrée caméra aux données de conformité compatibles RTM.
35 %
des patients en kinésithérapie suivent intégralement leurs exercices à domicile
Physiopedia / Sprypt, 2025
3 591 $
Charge musculosquelettique annuelle par employé
UHC (486 $ directs) + BioFunctional (3 105 $ de productivité)
96 %
des employeurs proposeront des soins musculosquelettiques virtuels d'ici 2027
Business Group on Health, 2025
Que vous construisiez une plateforme de kinésithérapie ayant besoin d'une vérification des exercices pour la facturation RTM, ou un programme de bien-être en entreprise nécessitant un suivi des exercices résistant à la fraude, le manque est le même : des données de posture brutes en entrée, des décisions cliniquement pertinentes en sortie.
Toutes les entreprises de fitness IA utilisent l'estimation de la posture. La question est de savoir ce qui se passe après l'extraction des points clés.
Un patient de 62 ans, 8 semaines après une reconstruction du LCA, réalise à domicile les squats au poids du corps prescrits. La caméra de son téléphone capture le mouvement. BlazePose extrait 33 points clés par image à 30 IPS. Voici ce que montrent les données brutes :
Une bibliothèque d'estimation de la posture renvoie ces chiffres. Elle ne sait pas que :
Cette couche d'interprétation est ce que nous construisons. L'estimation de la posture est le capteur. L'intelligence de l'exercice est le cerveau. Le capteur est banalisé. Le cerveau ne l'est pas.
65 % des patients abandonnent leur programme d'exercices à domicile au cours du premier mois. La conformité autodéclarée n'est pas fiable. Les cliniciens veulent facturer les codes RTM (98975-98981) mais ont besoin de données d'exercices vérifiées avec horodatages, métriques de qualité et correspondance aux protocoles pour satisfaire aux exigences de documentation des CMS.
Le Final Rule 2026 des CMS a ajouté les codes CPT 98979 et 98985, abaissant le seuil de facturation RTM de 16 jours à seulement 2 jours de suivi et de 20 minutes à 10 minutes de temps de gestion. Davantage de patients sont désormais facturables. Mais la documentation exige toujours des données recueillies par appareil et liées aux décisions de traitement.
Seuls 25 % des employés utilisent réellement les programmes de bien-être disponibles. Plus de 50 % expriment une réticence à partager leurs données de santé. Et après plusieurs scandales de Fitbit secoués, les employeurs exigent une vérification des exercices qui ne ressemble pas à de la surveillance.
Le marché du bien-être en entreprise atteint 100 Md$ en 2026, mais seuls 25 % des employés utilisent réellement les programmes disponibles. Le problème de confiance est profond : plus de la moitié des employés refusent de partager leurs données de santé avec leur employeur. Parallèlement, 36 % des chirurgies musculosquelettiques sont inutiles, coûtant 90 Md$ à la main-d'œuvre (Employee Benefit News). Les données d'exercices vérifiées créent une proposition de valeur différente : la détection précoce d'une dégradation de la qualité du mouvement qui déclenche un examen clinique avant que des interventions coûteuses ne deviennent nécessaires.
Sortez ce tableau lors de votre prochaine évaluation de fournisseurs. Chaque entrée reflète des capacités livrées au premier trimestre 2026, pas des promesses de feuille de route.
| Fournisseur | Ce qu'ils livrent | Méthode de vérification | Là où ça pèche |
|---|---|---|---|
| Hinge Health | Plateforme musculosquelettique full-stack. Vision par ordinateur TrueMotion, assistant de triage Robin AI. Chiffre d'affaires 2026 projeté à 732 M$. | Vision par ordinateur (Movement Analysis) + capteur portable IMU | Plateforme fermée. Ne peut pas être intégrée à votre produit. Tarifée pour les employeurs d'entreprise, pas pour les réseaux de cliniques de kinésithérapie. Leur technologie de vérification est verrouillée dans leur modèle de soins. |
| Sword Health + Kaia | A acquis Kaia (285 M$, janvier 2026). Combine le bracelet M-band + la vision par ordinateur Motion Coach de Kaia. Lève de fonds de 500 M$ prévue. | Biofeedback par capteur portable + vision par ordinateur sans marqueur (combinés après l'acquisition) | Même verrouillage que Hinge. Remplacement de la solution musculosquelettique américaine de Kaia par la plateforme de Sword, donc les clients de Kaia sont en transition. La dépendance matérielle (M-band) ajoute des frictions logistiques à la mise à l'échelle. |
| Peloton IQ | Caméras de suivi de la forme sur la série Cross Training (lancée en octobre 2025). Comptage des répétitions, corrections de la forme, intégration avec les objets portables. | Caméra IA intégrée au matériel | Fitness grand public, pas clinique. Aucune capacité RTM. Verrouillé au matériel (ne fonctionne que sur l'équipement Peloton). Non disponible en tant que plateforme ou SDK. |
| Kemtai | Plateforme de vision par ordinateur B2B. 44 points de repère corporels, superposition du squelette, guidage correctif en temps réel. Basée sur navigateur (WebGPU). | Estimation de la posture basée sur navigateur avec correction de la forme par règles | Orientée fitness général, non validée cliniquement pour la kinésithérapie. Basée sur navigateur, donc pas d'accélération NPU (latence plus élevée). Le moteur de règles est généraliste, non configurable par patient et par exercice. |
| QuickPose | SDK iOS B2B pour applications de fitness. Compteurs IA, minuteurs, vérification de la forme. Intégration rapide. | SDK iOS avec estimation de la posture + seuils d'angle de base | iOS uniquement. Fournit l'estimation de la posture avec un retour de forme de base, pas une analyse biomécanique approfondie. Aucune modélisation temporelle (qualité des répétitions, détection de la fatigue, analyse des tendances). Aucune sortie de documentation RTM. |
| Limber Health | Spécialiste de la facturation RTM. Stratification du risque en attente de brevet. Achèvement des séances HEP multiplié par 3,3. Résultats supérieurs de plus de 30 % (données Athletico). | Suivi des exercices autodéclaré + flux de facturation RTM | Solide sur le flux de facturation RTM, mais la conformité aux exercices est autodéclarée, non vérifiée par vision par ordinateur. L'infrastructure de facturation est excellente ; la vérification des exercices est le maillon manquant. |
| MedBridge | Plus de 3 500 organisations de santé. Prescription d'exercices, vidéos de thérapie destinées aux patients, capacités RTM. | Bibliothèque de vidéos d'exercices + autodéclaration du patient + RTM | Excellents contenus et flux clinique. L'achèvement des exercices est basé sur la vidéo (le patient regarde et déclare). Aucune vérification de la forme, aucun score de qualité, aucune analyse biomécanique. |
| Big 4 / grandes ESN | Accenture, Deloitte et des cabinets similaires conseillent sur la stratégie de santé numérique et la sélection de plateformes. | Conseil stratégique, pas construction technologique | Ils recommandent et intègrent des plateformes. Ils ne construisent pas de moteurs d'intelligence d'exercice. Les missions coûtent de 500 K$ à plus de 2 M$ et produisent des recommandations, pas des systèmes déployés. Pour une plateforme de kinésithérapie qui a besoin d'un SDK, pas d'un dossier de stratégie, ils sont le mauvais outil. |
| Veriprajna | Couche d'intelligence d'exercice sur mesure. SDK edge, pipeline de documentation RTM, seuils configurables par le clinicien. | Estimation de la posture sur l'appareil + analyse temporelle TCN + moteur de règles biomécaniques | Pas une plateforme de soins. Ne fournit pas de kinésithérapeutes, de flux cliniques ni de gestion des patients. Nous construisons le moteur de vérification ; vous construisez (ou possédez déjà) le produit autour de lui. La précision d'une caméra monoculaire a de vraies limites (voir la FAQ). |
Cinq capacités, chacune conçue pour résoudre un problème précis du pipeline de vérification des exercices. Nous les construisons comme des modules autonomes ou comme un système intégré, selon les besoins de votre plateforme.
La partie difficile. Des jeux de règles biomécaniques pour plus de 30 exercices de kinésithérapie, chacun définissant : les angles articulaires cibles par phase de l'exercice, les plages d'amplitude (ROM) acceptables, l'amplitude minimale pour un comptage de répétition valide, les critères de fluidité (Log Dimensionless Jerk) et les références de symétrie bilatérale.
Nous calibrons les seuils avec des kinésiologues, pas seulement des ingénieurs en ML. Un seuil d'extension du genou pour un patient post-opératoire à la semaine 4 est fondamentalement différent de celui de la semaine 12. Le moteur de règles gère cela comme des paramètres configurables par le clinicien, pas comme des valeurs codées en dur. Pour 30 exercices de kinésithérapie essentiels, nous visons un accord de plus de 85 % avec l'évaluation d'un kinésithérapeute expert sur le score de qualité.
De l'entrée caméra à des données structurées qui satisfont aux exigences de documentation des CMS pour les codes CPT 98975-98981 (plus les nouveaux codes 2026 98979 et 98985). Le pipeline produit des rapports de séance horodatés : comptages de répétitions vérifiés, scores de qualité par répétition, mesures d'amplitude (ROM) mappées au protocole d'exercice prescrit, et données de tendance sur l'ensemble des séances.
Le format de sortie est un JSON compatible FHIR, conçu pour l'intégration avec les systèmes de DSE. Le rapport est directement lié au plan d'exercices prescrit du patient, de sorte que le clinicien voit « Patient a effectué 12/15 extensions du genou prescrites, score de qualité moyen 7,2/10, tendance ROM : 78 à 84 degrés sur 2 semaines » plutôt que des données de coordonnées brutes.
SDK multiplateforme (iOS + Android) qui s'exécute entièrement sur l'appareil. Estimation de la posture via BlazePose (33 points clés, 3D) ou MoveNet Lightning (17 points clés, optimisé pour la vitesse), avec accélération NPU via les délégués CoreML et NNAPI. Inférence à 15 ms sur NPU, latence totale glass-to-glass inférieure à 50 ms.
Les images vidéo sont supprimées immédiatement après l'extraction des points clés. Aucune donnée de pixel ne quitte l'appareil. Ce n'est pas seulement une fonctionnalité de confidentialité ; c'est une décision architecturale qui élimine l'exposition de données biométriques au titre de BIPA/RGPD, supprime le coût d'inférence dans le cloud (coût marginal nul par séance) et permet le fonctionnement hors ligne pour les patients à la connectivité peu fiable.
Un score d'exercice qui s'adapte au profil clinique de l'utilisateur. Un patient de 70 ans en suite de prothèse du genou a des exigences de profondeur de squat différentes de celles d'un athlète d'entreprise de 30 ans dans un programme de bien-être. Le système prend en charge des seuils réglables par le clinicien par patient et par exercice, avec des valeurs par défaut judicieuses basées sur la tranche d'âge, le type de pathologie et la phase de récupération.
Cela inclut une intelligence de configuration de la caméra. Différents exercices nécessitent différents angles de caméra : vue de côté pour évaluer la profondeur du squat, vue de face pour détecter le valgus du genou. Le SDK comprend un assistant de configuration qui donne un retour de positionnement en temps réel (« Déplacez votre téléphone de 60 cm vers la gauche ») et un filtrage par confiance qui met l'analyse en pause lorsque la visibilité des points clés tombe sous le seuil, plutôt que de deviner les angles à partir d'articulations occultées.
Le secteur passe du suivi passif aux agents de santé autonomes. Le programme ADVOCATE de l'ARPA-H construit des agents IA cliniques qui ajustent de façon autonome les plans de soins. Nous construisons des agents de suivi des exercices qui vont au-delà du score d'une seule séance. L'agent suit les schémas d'une séance à l'autre : des tendances de ROM en déclin qui suggèrent que le patient régresse, une asymétrie croissante qui indique des schémas de compensation, une dégradation de la forme due à la fatigue qui corrèle avec l'heure de la journée ou le nombre de jours depuis la dernière séance.
Pour les plateformes de kinésithérapie, cela se traduit par des alertes cliniciennes proactives (« L'amplitude de flexion du genou du patient X a diminué de 8 degrés au cours des 5 dernières séances, suggérant un possible recul ») au lieu d'attendre la prochaine visite en personne. Pour le bien-être en entreprise, cela se traduit par une analyse des tendances au niveau du programme qui identifie quelles interventions d'exercice améliorent réellement les résultats musculosquelettiques et lesquelles produisent de la participation sans progrès.
Un patient ouvre votre application de kinésithérapie et démarre une série prescrite de 15 squats au poids du corps. Voici ce qui se passe dans les 46 millisecondes entre chaque image caméra et le retour à l'écran.
La caméra de l'appareil capture une image. BlazePose (exécuté sur le NPU via le délégué CoreML ou NNAPI) extrait 33 points clés squelettiques avec des coordonnées 3D (x, y, z) et des scores de confiance par point clé. Inférence totale : 10-15 ms sur NPU. L'image vidéo est supprimée. Seules les coordonnées poursuivent.
Les points clés bruts tremblent d'une image à l'autre à cause du bruit de quantification des pixels. Une moyenne mobile lisserait les tremblements mais ajouterait plus de 300 ms de latence. Nous utilisons le filtre 1-Euro, qui adapte sa fréquence de coupure en fonction de la vitesse : lissage agressif lorsque le patient tient une posture (élimine les tremblements visuels), lissage minimal pendant un mouvement rapide (préserve la réactivité). Le résultat : des coordonnées stables avec une latence ajoutée quasi nulle.
Si la confiance du point clé de la hanche tombe sous 0,5 (bras occultant la hanche, mauvais éclairage, problème d'angle du téléphone), l'analyse se met en pause et le patient voit « Ajustez l'angle de la caméra, hanche non visible ». Nous ne devinons jamais les angles articulaires à partir de points clés à faible confiance. Une fausse alerte « Votre genou rentre vers l'intérieur » pendant une répétition correcte détruit la confiance immédiatement. Une alerte manquée pendant un valgus réel crée une responsabilité. Le seuil est strict par conception.
Le flux de points clés lissés alimente un réseau de convolution temporelle (TCN) à convolutions dilatées causales. Contrairement aux LSTM (qui traitent les images séquentiellement et peinent avec les longues séquences), les TCN utilisent des convolutions parallèles à champs réceptifs croissant exponentiellement. La couche 1 voit les images adjacentes. La couche 10 voit 512 images d'historique. Cela permet au modèle d'analyser simultanément la forme instantanée (le valgus du genou se produit-il en ce moment ?) et les schémas à long terme (la qualité des répétitions se dégrade-t-elle au fil de la série ?). Des recherches récentes (MSA-TCN, IEEE 2025) atteignent une précision HAR de 98,7 % pour une taille de modèle de 0,08 Mo et une inférence de 1,8 ms sur des smartphones de milieu de gamme.
Le moteur de règles biomécaniques applique une logique spécifique à l'exercice. Pour ce squat : Amplitude (le déplacement de la hanche a-t-il franchi le seuil de profondeur défini par le clinicien ?), Fluidité (score Log Dimensionless Jerk, où un jerk élevé indique un tremblement ou une triche par élan), Symétrie (indice d'asymétrie comparant l'énergie du signal de la jambe gauche/droite), et Tempo (ratio descente/montée comme indicateur de mouvement compensatoire). Chaque métrique se mappe à un score de qualité par répétition.
Le patient reçoit un retour audio/haptique concomitant (« Descendez plus bas » ou « Bonne répétition »). À la fin de la séance, le SDK produit un rapport JSON structuré : 12/15 répétitions prescrites effectuées, qualité moyenne 7,4/10, ROM de flexion du genou 78-84 degrés (en amélioration par rapport aux 72-80 de la dernière séance), un signalement de valgus à la répétition 9. Ce rapport se mappe directement au protocole prescrit et alimente votre pipeline de documentation RTM.
Latence totale glass-to-glass : ~46 ms. Pour mettre en contexte, le temps de réaction visuel humain est de 150 à 250 ms. Le système détecte et répond aux erreurs de forme plus vite que le patient ne peut les percevoir, permettant un véritable retour concomitant plutôt que le « retour latent » que les systèmes basés sur le cloud délivrent 2 à 5 secondes après que le mouvement s'est déjà produit.
Une mission typique dure de 5 à 8 mois, de l'évaluation au déploiement en production. Le calendrier dépend du nombre d'exercices que vous devez faire vérifier et du fait que votre plateforme intègre déjà ou non l'estimation de la posture.
Livrable : document des exigences techniques + matrice de priorité des exercices + recommandation d'architecture
Livrable : SDK fonctionnel intégré à votre application + bibliothèque de règles d'exercice + pipeline de documentation
Livrable : rapport de validation avec métriques de précision par exercice + ajustements de seuils + documentation des limites
Livrable : déploiement en production + rapport de performance du pilote + feuille de route d'extension pour des exercices supplémentaires
Réserve honnête : Ajouter un nouvel exercice à la bibliothèque prend 1 à 2 semaines chacun. Les exercices à schémas périodiques clairs (squats, extensions de mollets, flexions des biceps) se calibrent plus vite. Les mouvements multiphases complexes (Turkish get-ups, mouvements d'haltérophilie) ou les exercices non périodiques (enchaînements de yoga, maintiens isométriques) prennent plus de temps et peuvent comporter des scores de confiance plus faibles. Nous cadrons cela en amont pour que vous sachiez à quoi vous attendre.
Répondez à six questions sur l'état actuel de votre plateforme. L'évaluation situe où vous en êtes sur la courbe de maturité de la vérification des exercices et identifie les manques spécifiques à combler.
1. Votre plateforme utilise-t-elle actuellement une forme d'estimation de la posture ou de suivi du mouvement ?
2. Comment votre plateforme vérifie-t-elle actuellement l'achèvement des exercices ?
3. Les cliniciens ou les responsables de programme peuvent-ils configurer les seuils d'exercice par utilisateur ?
4. La sortie de vos données d'exercices prend-elle en charge la facturation RTM ou un reporting de bien-être structuré ?
5. Où s'exécute l'analyse des exercices ?
6. Combien d'exercices votre plateforme doit-elle vérifier ?
Nous construisons un SDK mobile qui s'intègre à vos applications iOS et Android existantes. Le SDK gère l'estimation de la posture sur l'appareil (MediaPipe BlazePose pour le suivi de 33 points clés ou MoveNet Lightning pour les scénarios critiques en vitesse), le lissage des tremblements via le filtrage 1-Euro et l'analyse de la forme spécifique à l'exercice. Votre application appelle le SDK lorsqu'un patient démarre une séance d'exercices. Le SDK renvoie des données structurées : comptages de répétitions, scores de qualité par répétition, mesures d'angles articulaires et synthèses de conformité de séance. L'intégration prend généralement 3-4 semaines pour la connexion API, plus 2-3 semaines de travail d'interface de votre côté pour afficher le retour. Le SDK s'exécute entièrement sur l'appareil à l'aide des délégués CoreML (iOS) ou NNAPI (Android), donc il n'y a aucun coût cloud par inférence et aucune donnée vidéo ne quitte le téléphone du patient. Pour les déploiements spécifiques à la kinésithérapie, nous incluons des seuils configurables par le clinicien : vos thérapeutes définissent la ROM cible, les plages acceptables et les critères de qualité par patient et par exercice via un tableau de bord web. Le SDK applique ces seuils pendant la séance et signale les écarts dans le rapport de conformité.
Honnêtement, cela dépend de l'exercice et de la mesure. MediaPipe BlazePose montre une corrélation de Pearson de 0,91 pour les mouvements des membres supérieurs et de 0,80 pour les mouvements des membres inférieurs face à la capture de mouvement Qualisys (l'étalon-or). Pour la flexion du genou en particulier, la mesure par caméra monoculaire présente une erreur absolue moyenne de 9,3 à 21,9 degrés en 2D. Ce n'est pas de qualité clinique pour une mesure goniométrique précise. Mais la facturation RTM au titre des codes CPT 98975-98981 n'exige pas de précision goniométrique. Les exigences de documentation des CMS spécifient des données horodatées provenant d'un appareil de suivi, des relevés d'interaction avec le patient et des décisions de plan de traitement fondées sur les données de suivi. Ce dont les cliniciens ont besoin pour le RTM, c'est d'un achèvement vérifié des exercices (le patient a-t-il fait les 15 répétitions prescrites d'extensions du genou ?), d'une évaluation approximative de la qualité (les répétitions étaient-elles dans une plage de ROM raisonnable ?) et de données de tendance dans le temps (la ROM s'améliore-t-elle d'une semaine à l'autre ?). Les systèmes basés sur caméra délivrent cela de façon fiable. Là où nous traçons la ligne : nous ne prétendons pas mesurer des angles de qualité clinique à partir d'une seule caméra de téléphone. Pour les patients chez qui une mesure précise de la ROM compte (jalons de récupération post-opératoire, par exemple), nous recommandons de compléter par des contrôles au goniomètre lors des visites en personne. Le système caméra prend en charge les 28 jours entre les visites, lorsque le patient fait ses exercices à domicile sans supervision.
Plus de 50 % des employés expriment une réticence à partager des informations de santé avec leur employeur, et le suivi par caméra amplifie cette réticence. Nous y répondons par une architecture en priorité edge où aucune vidéo ne quitte jamais l'appareil. La caméra du téléphone capture des images, le modèle sur l'appareil extrait des coordonnées de points clés squelettiques (33 valeurs x, y, z par image) et les images vidéo sont supprimées immédiatement. Seules les données de séance agrégées atteignent la plateforme de bien-être de l'employeur : type d'exercice, nombre de répétitions, score de qualité, durée de séance. Aucune vidéo. Aucun flux de points clés. Aucun schéma de mouvement pouvant servir d'identifiant biométrique. Cela compte aussi sur le plan juridique. Les flux de coordonnées de points clés squelettiques peuvent constituer des données biométriques au titre de BIPA (Illinois) et de l'article 9 du RGPD, puisqu'il a été démontré que l'analyse de la démarche est un identifiant biométrique. En traitant sur l'appareil et en ne transmettant que des métriques agrégées, nous restons du bon côté du droit de la confidentialité biométrique. L'employé voit son propre retour de forme en temps réel sur son écran. L'employeur voit un tableau de bord de conformité indiquant les taux de participation et les tendances de qualité agrégées. L'écart entre ces deux vues est la frontière de confidentialité, et nous l'imposons par l'architecture, pas seulement par la politique.
Hinge Health (qui projette un chiffre d'affaires de 732 M$ en 2026) et Sword Health (qui a acquis Kaia Health pour 285 M$ en janvier 2026) sont des plateformes full-stack : elles fournissent la kinésithérapie, les exercices, le suivi et le soutien clinique. Si vous voulez acheter une solution musculosquelettique de bout en bout pour vos employés, ce sont de bonnes options. Veriprajna ne les concurrence pas là-dessus. Nous construisons la couche d'intelligence de vérification des exercices pour les organisations qui ont besoin de l'intégrer dans leur propre plateforme. Trois scénarios où cela compte : Premièrement, si vous êtes une plateforme de kinésithérapie ou une entreprise de santé numérique qui construit son propre produit musculosquelettique, vous avez besoin d'une technologie de vérification des exercices mais vous ne voulez pas faire du marquage blanc du produit concurrent de Hinge Health. Nous construisons le SDK qui alimente le suivi des exercices de votre plateforme. Deuxièmement, si vous êtes un grand employeur (plus de 5 000 employés) qui a déjà un fournisseur musculosquelettique mais souhaite une vérification des exercices indépendante pour son programme de bien-être plus large au-delà du musculosquelettique, incluant des défis fitness généraux, l'exercice préventif et la conformité ergonomique. Troisièmement, si vous opérez dans un contexte réglementé (souscription d'assurance, validation des demandes d'indemnisation des accidents du travail) où vous avez besoin que la couche de vérification soit découplée de toute plateforme de soins unique afin qu'elle puisse être auditée de façon indépendante. Nous sommes la couche de vérification, pas la plateforme de soins.
Nous démarrons les déploiements avec une bibliothèque de base de 30 exercices de kinésithérapie qui couvrent les protocoles de rééducation les plus courants : exercices de ROM (flexion et abduction de l'épaule, flexion et extension du genou, flexion de la hanche, dorsiflexion de la cheville), renforcement (squat, fente, pont, extension de mollet, pompe au mur, rameur assis, flexion des biceps), équilibre (appui sur une jambe, posture en tandem) et mouvements fonctionnels (passage assis-debout, montée de marche, analyse de la démarche). Chaque exercice dispose d'un jeu de règles biomécaniques définissant les seuils de forme valide : angles articulaires cibles, plages acceptables, amplitude minimale pour le comptage des répétitions, critères de fluidité et références de symétrie. Ajouter un nouvel exercice prend 1 à 2 semaines. Le processus consiste à définir le jeu de règles biomécaniques avec un kinésiologue (quelles articulations suivre, quels angles définissent les phases de l'exercice, ce qui constitue une répétition de qualité), à collecter des données de calibration auprès de 20 à 30 sujets de différentes morphologies et à valider face à l'évaluation d'un kinésithérapeute expert avec un objectif de plus de 85 % d'accord sur le score de qualité. Les exercices à schémas périodiques clairs (squats, flexions des biceps, extensions de mollets) sont simples. Les mouvements multiphases complexes (Turkish get-ups, mouvements d'haltérophilie) ou les mouvements non périodiques (enchaînements de yoga, maintiens isométriques) nécessitent plus de temps de calibration et peuvent avoir des scores de confiance plus faibles. Nous sommes transparents sur les exercices que le système gère bien et ceux qu'il ne gère pas.
Les troubles musculosquelettiques coûtent aux employeurs environ 40,51 $ par membre et par mois en coûts de santé directs (UnitedHealthcare), plus 3 105 $ par employé et par an en pertes de productivité liées à l'absentéisme musculosquelettique. Cela représente environ 3 591 $ par employé et par an de charge combinée. Le mécanisme de réduction des coûts n'est pas l'IA elle-même. C'est ce que permettent les données d'exercices vérifiées. Premièrement, l'intervention précoce : lorsque le système détecte des tendances de ROM en déclin ou une asymétrie croissante dans les données d'exercices d'un participant, il déclenche un examen clinique avant que la situation ne s'aggrave en cas chirurgical. 36 % des chirurgies musculosquelettiques sont inutiles (Employee Benefit News), et chaque chirurgie évitée fait économiser 30 000 à 50 000 $. Deuxièmement, une adhérence vérifiée conduit à de meilleurs résultats : les patients en kinésithérapie utilisant un suivi des exercices activé par le RTM effectuent 3,3 fois plus de séances d'exercices à domicile que ceux suivant des programmes standard (données Limber Health), et Athletico Physical Therapy rapporte des résultats supérieurs de plus de 30 % avec le RTM. Troisièmement, pour les programmes de bien-être en entreprise en particulier, l'exercice vérifié élimine la fraude qui a érodé la confiance des employeurs. Lorsque les incitations sont liées à un achèvement vérifié plutôt qu'à une activité autodéclarée, la participation des vrais pratiquants augmente parce que le système ne récompense plus les gens qui secouent leur Fitbit. La fourchette d'économies réaliste est de 800 à 2 000 $ par employé engagé et par an, selon la charge musculosquelettique de la population et le taux d'engagement du programme.
Les whitepapers interactifs derrière cette page de solution. Ils couvrent en profondeur les fondations techniques.
Architecture d'IA edge pour un retour d'estimation de la posture en moins de 50 ms. Comparaison BlazePose vs MoveNet vs YOLOv11, mathématiques du filtre 1-Euro, accélération NPU et l'argumentaire biomécanique contre l'analyse des exercices basée sur le cloud.
Architecture TCN pour la vérification des exercices. Convolutions dilatées causales, comptage des répétitions agnostique aux classes via des matrices d'auto-similarité temporelle, score de qualité par seuillage d'amplitude et Log Dimensionless Jerk, et l'argumentaire pour traiter le mouvement humain comme un problème de traitement du signal.
65 % abandonnent leur programme d'exercices à domicile au cours du premier mois. Parmi ceux qui continuent, la conformité autodéclarée surestime l'adhérence réelle.
Les données d'exercices vérifiées changent cette équation. Elles donnent aux cliniciens de vraies données de conformité pour les décisions de traitement, donnent aux employeurs l'assurance que les dollars de bien-être produisent des résultats, et donnent aux patients un retour en temps réel qui fait que les programmes d'exercices à domicile fonctionnent réellement. La technologie pour capturer le mouvement est gratuite. L'intelligence pour l'interpréter, c'est ce que nous construisons.