Kinetiq · 운동 지능 및 RTM 증빙 엔진

포즈 추정은 공짜입니다. 그 위의 청구 가능한 증빙이 어려운 부분이며, 우리가 구축한 부분입니다.

모든 PT 플랫폼은 이미 무료 포즈 추정을 실행하고 반복을 셀 수 있습니다. Kinetiq는 키포인트 위의 결정론적 계층입니다. 집단 적응형 임상 프로파일에 맞춰 각 반복을 채점하고, 관절이 보이지 않으면 각도를 날조하는 대신 판정 유보하며, 임상의가 조치할 수 있는 RTM 청구 가능·FHIR 형태의 세션 보고서를 내보냅니다. 에이전트는 조언하고, 코드가 결정합니다.

100%

주입된 키포인트 노이즈를 통과해 복구한 반복별 판정 일치 (35 of 35회 반복)

고정된 라벨 합성 세트: 명확 25건 더하기 경계 10건

3 / 3

가려진 반복은 각도를 추측하는 대신 판정 유보, 날조된 각도 0건

라벨 세트에 대한 단위 테스트된 정직성 불변조건

3 of 4

세션이 자동 검증되어 RTM 청구 가능, 1건은 임상의 검토로 라우팅, 청구 불가 0건

합성 환자 3명 더하기 실제 촬영 클립 1개

합성 환자 3명과 실제 촬영 스쿼트 클립 1개에 대한 메커니즘의 실행 가능한 데모입니다. 실시간 카메라, 하드웨어, API 키 없이 오프라인으로 실행되며, 선택적 에이전트만이 모델을 사용할 수 있는 부분입니다.

원시 포즈 라이브러리는 무릎이 안쪽으로 무너지는 상태에서도 양호한 스쿼트 15회를 기록합니다

검증 없는 볼륨, 그리고 어떤 지급인도 상환하지 않을 반복 횟수.

반복을 세는 것은 쉬운 부분이며, 거의 공짜입니다. BlazePose와 MoveNet은 휴대폰에서 실행되어 환자가 스쿼트 15회를 했다고 알려 줍니다. 알려 주지 않는 것은 9번째 반복이 내측으로 무너져 재손상 위험이 되었다는 것, 12번째 반복에서 엉덩이가 프레임 밖으로 벗어나 정직한 각도가 존재하지 않는다는 것, 같은 80 degree 깊이가 수술 후 무릎에는 진전이고 건강한 운동선수에게는 실패라는 것입니다. 그 해석이 PT 플랫폼이 실제로 필요로 하는 계층이며, 건너뛰면 가장 빨리 낡아지는 계층입니다.

고통은 구체적입니다. 물리치료에서 가정 운동 순응도는 35 percent이고, 환자의 65 percent가 첫 달 안에 중단합니다(Veriprajna WP29 research, 2026). 자기 보고는 순응을 과대 평가합니다. 임상의는 CPT 98975 to 98981의 Remote Therapeutic Monitoring을 청구하고, 자격 임계값이 최소 2 days 또는 10 minutes까지 낮아진 2026 코드 98979와 98985까지 더하고 싶어 하지만, CMS는 원시 좌표가 아니라 치료 결정에 묶인 기기 수집 데이터를 요구합니다(Veriprajna WP29 research, 2026). 원시 키포인트는 그 기준을 넘지 못합니다.

고용주 쪽 이해관계도 똑같이 구체적입니다. 근골격 질환은 직원 1인당 연간 대략 3,591 dollars가 들며, 직접 486 dollars와 생산성 3,105 dollars이고, MSK 수술의 추정 36 percent가 90 billion dollar 규모에서 불필요하며, 직원의 50 percent 이상이 프라이버시 이유로 건강 데이터 공유를 거부합니다(Veriprajna WP29 research, 2026). 그리고 정확도의 천장은 실제입니다. 단안 무릎 각도 오차는 평균 절대 오차 9.3 to 21.9 degrees로 나타납니다(Nature Scientific Reports, 2025). 바로 그래서 한 대의 카메라로 임상급 각도를 주장하는 시스템은 과대 판매이고, 가시성이 낮은 반복에서 판정 유보하는 시스템은 정직한 것입니다.

결정론적 엔진이 모든 반복을 채점하고, 정책 게이트가 청구 가능 여부를 결정합니다

신뢰의 핵심은 평범한, 단위 테스트된 코드입니다. 채점 경로에 LLM은 없습니다.

세션당 파이프라인은 직설적입니다. 합성되거나 촬영 클립에서 오프라인으로 추출된 키포인트 스트림을 1-Euro 필터로 평활화하고, 키포인트 신뢰도로 게이트하여 관절이 보이지 않으면 반복을 판정 유보하며, 클래스 무관 시간적 자기유사성으로 반복을 분할하고, 반복별 생체역학 특징으로 바꾸며, 집단 적응형 규칙 엔진에 맞춰 채점하고, 결정론적 RTM 정책 게이트를 통과시킨 뒤, 캔버스 대시보드에 렌더링되는 FHIR 형태의 세션 보고서로 기록합니다. 모든 판정은 임상의가 따져 볼 수 있는 평범한 NumPy입니다.

결정론적 생체역학 엔진

신뢰의 핵심이며, 어떤 언어 모델의 바깥에 전적으로 있습니다. 1-Euro 필터가 33-keypoint BlazePose 스타일 스트림을 평활화하고, 신뢰도 게이트가 가시성 임계값 아래에서 판정 유보하며, 클래스 무관 분할이 시간적 자기유사성으로 반복을 찾고, 각 반복은 관절 각도와 ROM, 무릎 외반 지수, 하강 대 상승 템포 비, Log Dimensionless Jerk 부드러움, L 또는 R 대칭 지수를 산출합니다. 평범하고 단위 테스트된 코드이므로, 임상의는 어떤 반복이 왜 플래그되었는지 정확히 볼 수 있습니다.

RTM 정책 게이트와 FHIR 형태 보고서

모델 바깥에서, 평범한 코드가 세션마다 rtm_billable, needs_clinician_review, 또는 insufficient_device_data를 결정하며, CMS RTM 계열 CPT 98975 to 98981과 2026 코드 98979 및 98985에 매핑합니다. 보고서는 Observation과 DocumentReference 필드 형태를 거울처럼 따르는 FHIR 형태 JSON이며, 반복별 관찰, 세션 롤업, RTM 판정, CMS가 기대하는 문서를 담습니다. FHIR 형태이지 FHIR 검증됨이 아닙니다. Kinetiq는 레코드를 방출하며, 실제 EHR에 POST하지 않습니다.

엔진이 반복마다 측정하는 것

신호 포착하는 것 근거
관절 각도와 ROM 최대 굴곡이 프로파일 목표를 넘는지, 예를 들어 ACL 재건 후 75 degrees 대 웰니스 운동선수 95 degrees. 결정론적
무릎 외반 지수 내측 무릎 붕괴, 재활 무릎의 재손상 위험, 프로파일별로 임계값 적용(예: ACL 재건 후 0.03). 결정론적
하강 대 상승 템포 비 동작의 일부를 보상적으로 늦추거나 서두르는 것(예: 템포 1.25 초과). 결정론적
LDLJ 부드러움과 L 또는 R 대칭 반복 횟수만으로는 숨겨지는 급작스럽거나 비대칭적인 동작 품질. 결정론적
신뢰도 게이트 가시성 임계값 아래의 관절이므로, 날조된 각도를 할당하는 대신 반복을 채점하지 않습니다. 결정론적, 판정 유보

선택적 에이전트: 해석으로 한정

결정론적 핵심 위에, 제공자 교체 가능한 선택적 에이전트 둘이 숫자를 해석하고 전달합니다. 추세가 하락할 때 선제적 임상의 에스컬레이션을 초안하는 Longitudinal Monitor와, RTM 노트를 초안하는 Clinical Scribe입니다. 각각은 결정론적 근거에 대해 근거 검증되므로, 에이전트가 도입한 수치가 근거에 이미 없으면 거부되고 결정론적 템플릿이 대신 표시됩니다. 둘 다 API 키가 없으면 판정 유보합니다. 어댑터는 기본으로 Claude claude-opus-4-8이며 OpenAI 또는 Gemini로 바뀌지만, 채점 게이트는 결코 손을 바꾸지 않습니다. 에이전트는 조언하고, 코드가 결정합니다.

화면에 나온 작업된 세션

정직하게 라벨이 달린 환자 4명: 셋(Maria, Jordan, Eleanor)은 합성이고 하나(Aisha)는 실제 촬영 스쿼트 클립입니다. 실시간 카메라 없음, 실제 환자 신원 없음, 의료 기록 없음.

실제 영상에 실행되는 파이프라인

Aisha는 키포인트가 MediaPipe로 오프라인 추출된 실제 맨몸 스쿼트 영상이며, 같은 엔진이 변경 없이 채점하므로, 가장 먼저 보는 것은 실제 영상에 실행되는 파이프라인이며 정직하게 라벨이 달려 있습니다. 33-point 스켈레톤이 실제 클립 위에 겹쳐지고, 패널은 웰니스 스크리닝 프로파일에 맞춰 각 반복을 채점합니다. 세션 게이트는 rtm_billable을 반환하며, 검증 1, 플래그 2, 평균 품질 8.3입니다.

Kinetiq가 실제 촬영 맨몸 스쿼트 클립인 Aisha를 채점하는 모습. 33-point 스켈레톤이 실제 영상 위에 겹쳐지고, 오른쪽의 반복별 표는 웰니스 스크리닝 프로파일에 맞춰 채점된 양호한 반복과 얕은 반복을 보여 줍니다.
Aisha: 실제 스쿼트 클립, 키포인트는 오프라인 추출, 합성 세션과 같은 엔진으로 채점.

포즈 모델은 세고 임상의는 세지 말아야 할 반복

Maria는 처방된 스쿼트 15회를 하는 합성 ACL 재건 후 환자입니다. 원시 포즈 라이브러리는 15회 모두를 반복으로 기록할 것입니다. Kinetiq는 이를 채점하고, 9번째 반복에서 KNEE VALGUS를 반환합니다. 무릎 외반 지수는 0.054로 0.03 임계값 이상이고, 최대 굴곡은 78.6 degrees이며, 템포는 1.4로 1.25 한도를 넘어, 양호한 반복이 아니라 재손상 위험 경보입니다. 그것이 한 행에 담긴 전체 논지입니다. 가치는 반복을 세는 것이 아니라, 중요한 그 하나를 잡는 것입니다.

Maria의 ACL 재건 후 세션. 반복별 분석 표가 9번째 반복을 KNEE VALGUS로 빨간색 강조하며, 무릎 외반 지수 0.054가 0.03 이상으로 재손상 위험이고 템포 1.4가 1.25를 넘어 보상적이라고 읽히며, 주변 5번째부터 14번째 반복은 GOOD REP이고, 12번째 반복은 엉덩이 키포인트가 가시성 임계값 아래라 NOT SCORED로 읽힙니다.
9번째 반복이 무릎 외반 재손상 위험으로 플래그되며 정확한 임계값 조항이 보이고, 12번째 반복은 엉덩이가 보이지 않아 판정 유보합니다.

같은 동작, 환자 프로파일에 따른 다른 판정

집단 적응형 판단은 구호가 아니며, 판정을 뒤집습니다. 프로파일을 Maria(ACL 재건 후, 목표 75 degrees)에서 기업 웰니스 운동선수 Jordan(목표 95 degrees)으로 바꾸면, Maria에게는 양호로 채점된 대략 80 degrees 깊이의 스쿼트가 Jordan에게는 SHALLOW로 채점됩니다. 같은 동작이 다른 판정을 받는 이유는 임계값이 환자에 맞춰져 있기 때문입니다. 전체 Jordan 세션에서 게이트는 반복이 플래그되어도 여전히 rtm_billable을 반환합니다. 정직한 뉘앙스입니다. 청구 가능이 모든 반복이 양호했다는 뜻은 아닙니다.

프로파일 wellness_athlete 아래의 Jordan 기업 웰니스 운동선수 세션. 반복별 표에서 최대 굴곡 약 80 degrees의 스쿼트가 모두 SHALLOW로 읽히는데, 굴곡이 95 degree 목표 아래이기 때문이며, 같은 깊이는 Maria의 75 degree ACL 재건 후 목표에서는 양호로 채점되었습니다.
집단 적응형 뒤집기: 대략 80 degrees는 ACL 재건 후 무릎에는 양호하고 웰니스 운동선수에게는 얕습니다.

청구 가능한 영수증, 그리고 그것을 라우팅하는 판정 유보

Maria의 세션은 검증된 반복 13회, 플래그 1건(9번째 반복), 가림으로 판정 유보 1건으로 롤업되며, 평균 품질은 9.6 out of 10입니다. RTM 판정은 needs_clinician_review로 읽히며, CPT 98975 to 98981과 2026 코드 98979 및 98985에 매핑됩니다. 세션은 청구 자격이 있지만, 외반 경보가 자동 청구 전에 임상의에게 라우팅하고, 그 임상의 경보 자체가 치료 계획 결정을 문서화합니다. 여기서 FHIR 형태 보고서는 임상의가 RTM을 문서화하는 감사 가능한 증빙으로 내보내집니다.

Maria의 RTM 판정 모달. NEEDS CLINICIAN REVIEW, CPT 98975 to 98981 RTM 계열 더하기 2026 코드 98979와 98985, 처방 15회 반복, 검증 13, 플래그 1, 가림으로 판정 유보 1, 평균 품질 9.6 out of 10, Export FHIR Report 버튼.
RTM 판정: 청구 자격이 있지만, 외반 경보가 자동 청구 전에 임상의에게 라우팅합니다.

벤치마크, 정직하게 범위 한정

고정된 라벨 세트를 실행하면 내구성 있는 결과가 드러납니다. 심어 둔 정답에 대한 반복별 판정 일치는 명확 25건에서 100 percent, 임계값의 약 1시그마 이내 경계 10건에서 100 percent이며, 클래스별 일치는 모두 1.00입니다. 정답은 엔진과 독립적으로 계산된, 심어 둔 물리 파라미터 대 프로파일 임계값이며, 측정 노이즈는 라벨이 고정된 뒤에 주입되므로 엔진은 노이즈를 통과해 판정을 복구해야 합니다. 정직성 불변조건은 별개이며 단위 테스트됩니다. 가려진 반복 3건 중 3건이 판정 유보했고, 날조된 각도는 0건입니다. 이는 고정된 라벨 합성 세트에서의 과제 정확도, 처리량, 정직성이며, 개방 세계 보장이 아닙니다.

Kinetiq 벤치마크 요약. 명확 25건에서 100 percent 판정 일치, 임계값의 1시그마 이내 경계 10건에서 100 percent, 가려진 반복 3 of 3이 판정 유보하고 날조된 각도 0건, 4개 세션 중 3 plus 1이 자동 청구 가능 또는 검토로 라우팅된 메트릭 카드가, good rep, shallow, not scored, knee valgus에 대해 100 percent를 읽는 클래스별 일치 표 위에 있습니다.
라벨 합성 세트에서, 주입된 노이즈를 통과해 복구한 35 of 35회 반복에서 100 percent, 가려진 반복 3 of 3이 판정 유보.

Kinetiq가 있는 곳, 그리고 없는 곳

키포인트 이후에 실행되며, 이미 쓰는 어떤 포즈 모델 위에도 올라갑니다. 해석·증빙 계층을 구축하며, 포즈 추정기와 경쟁하지 않습니다.

우려 원시 포즈 추정과 반복 횟수 세기 Kinetiq
9번째 반복에서 무릎이 무너짐 반복으로 집계됨 임계값이 보이는 무릎 외반 재손상 위험으로 플래그됨
프레임 밖 관절 그래도 추론된 각도 판정 유보, 반복 미채점, 날조된 각도 없음
같은 깊이, 다른 환자 모두에게 하나의 고정 임계값 환자 프로파일에 맞춘 집단 적응형 판정
청구 증빙 CMS가 상환하지 않을 원시 좌표 CPT 계열에 매핑된 RTM 청구 가능·FHIR 형태 세션 보고서
청구 가능 여부를 누가 결정하는가 다루지 않음 어떤 모델 밖의 결정론적 정책 게이트
포즈 모델이 나아질 때의 내구성 전체 가치가 센서이며, 센서는 범용화됩니다 가치는 센서 위의 두뇌와 증빙입니다

이 데모가 하지 않는 것

  • 실시간 카메라나 온디바이스 추론을 쓰지 않습니다. 키포인트 스트림은 세 시나리오에 대해 합성 생성되거나, 실제 촬영 클립 하나에서 MediaPipe로 오프라인 추출됩니다. 모바일 캡처 SDK와 어떤 엣지 배포도 미뤄져 있습니다.
  • 임상급 고니오메트리를 주장하지 않습니다. 단안 무릎 각도 오차는 9.3 to 21.9 degrees입니다(Nature Scientific Reports, 2025). 그래서 Kinetiq는 RTM이 요구하는 입도로 작동하고, 정밀 각도를 보고하기보다 가시성이 낮은 반복에서 판정 유보합니다.
  • 세션 보고서는 FHIR 형태이지, FHIR 검증됨이나 FHIR 준수가 아닙니다. Observation과 DocumentReference 형태를 거울처럼 따르며, EHR 쓰기는 모의 어댑터이므로 방출하고 POST하지 않습니다.
  • RTM과 CPT 매핑은 RTM 문서화를 돕기 위한 프레이밍이며, 청구 인증, 컴플라이언스 승인, 또는 상환 보장이 아닙니다.
  • 채점 경로에는 LLM도 학습된 딥 모델도 없습니다. V1은 결정론적 특징 엔진이며, 학습된 TCN은 동일한 반복별 인터페이스 뒤의 명시된 V2 교체입니다. 선택적 에이전트는 해석만 하며 근거 검증됩니다.
  • 환자는 정직하게 라벨이 달린 테스트 사례이며, 실제 환자나 고객이 아닙니다. 셋(Maria, Jordan, Eleanor)은 합성이고 하나(Aisha)는 실제 신원이나 의료 기록이 없는 실제 촬영 스쿼트 클립입니다. 고객, 배포, 추천사, 주장된 ROI는 없습니다.
  • 100 percent 판정 일치와 3 of 3 판정 유보는, 정답이 심어 둔 파라미터 대 프로파일 임계값인 고정된 라벨 합성 세트에서의 측정이며, 개방 세계 또는 프로덕션 보장이 아닙니다.

구매자가 묻는 질문

우리는 이미 BlazePose를 실행하고 반복을 셉니다. Kinetiq는 무엇을 더하나요?

포즈 추정과 반복 횟수 세기는 범용화된 부분입니다. 원시 포즈 라이브러리는 9번째 반복에서 무릎이 무너지는 환자에 대해 양호한 스쿼트 15회를 기꺼이 기록합니다. Kinetiq는 키포인트 위의 계층입니다. 집단 적응형 임상 프로파일에 맞춰 각 반복을 채점하고, 관절이 보이지 않으면 판정 유보하며, 임상의가 조치할 수 있는 RTM 청구 가능·FHIR 형태 세션 보고서를 내보냅니다. 그 해석·증빙 계층이 PT 플랫폼이 실제로 청구하고 임상의가 조치하는 것이며, 포즈 모델 업그레이드마다 함께 낡아지는 대신 살아남습니다.

청구할 만큼 정확하게 관절 각도를 측정할 수 있나요?

임상급 고니오메트리를 주장하지 않으며, 화면에서도 그렇게 말합니다. 단안 무릎 각도 오차는 평균 절대 오차 9.3 to 21.9 degrees로 나타납니다(Nature Scientific Reports, 2025). 그래서 단일 카메라에서 1도 단위의 정확한 각도 주장은 함정입니다. Kinetiq는 RTM이 실제로 요구하는 입도, 즉 검증된 완료 더하기 대략적 품질 더하기 추세로 작동하며, 정밀 각도를 날조하기보다 가시성이 낮은 반복에서 판정 유보합니다. 청구 증빙은 주장된 정확한 관절 각도가 아니라, 검증되고 프로토콜에 매핑된 세션 기록입니다.

보고서는 FHIR 준수인가요, 그리고 우리 EHR에 쓸 수 있나요?

FHIR 형태이지 FHIR 검증됨이 아닙니다. 세션 보고서는 FHIR Observation과 DocumentReference 필드 형태를 거울처럼 따르는 구조화 JSON이며, 반복별 관찰, 세션 롤업, RTM 판정과 CPT 계열, CMS가 기대하는 문서 필드를 담습니다. 이 데모에서 EHR 또는 FHIR 쓰기는 모의 어댑터이므로, Kinetiq는 레코드를 방출하며 실제 서버에 POST하지 않습니다. 그것이 산출물을 정직하게 유지합니다. 임상의가 문서화하는 증빙이며, 여러분이 구축할 다운스트림 FHIR 통합을 위해 형태가 잡혀 있을 뿐, 인증된 EHR 쓰기가 아닙니다.

이것으로 실제로 RTM을 어떻게 청구하며, 상환은 보장되나요?

CMS는 CPT 98975 to 98981 계열의 Remote Therapeutic Monitoring을 상환하고, 2026 코드 98979와 98985를 더하며, 원시 좌표가 아니라 치료 결정에 묶인 기기 수집 데이터를 요구합니다. Kinetiq는 바로 그 증빙을 만들도록 설계되었습니다. 결정론적 정책 게이트가 rtm_billable, needs_clinician_review, 또는 insufficient_device_data를 반환하고, FHIR 형태 보고서가 기기 수집 데이터와 치료 결정 연결을 문서화합니다. CPT 매핑은 RTM 문서화를 돕기 위한 프레이밍이며, 청구 인증이나 상환 보장이 아니고, 플래그된 세션은 자동 청구 전에 임상의에게 라우팅됩니다.

AI가 환자의 운동 자세를 채점합니다. 어떻게 방어하기에 안전한가요?

신뢰의 핵심은 결정론적이며 채점 경로에 LLM이 없습니다. 모든 반복별 판정과 RTM 청구 가능 판정은 평범하고 단위 테스트된 NumPy 코드이므로, 임상의는 어떤 반복이 왜 플래그되었는지 정확히 따져 볼 수 있습니다. 예를 들어 9번째 반복이 플래그된 이유는 외반 지수 0.054가 0.03 이상이고 템포 1.4가 1.25를 넘기 때문입니다. 에이전트는 조언하고, 코드가 결정합니다. 선택적 에이전트 둘은 결정론적 근거를 해석하고 전달할 뿐이며, 에이전트가 도입한 숫자가 근거에 없으면 거부되고 결정론적 템플릿이 대신 표시됩니다. 그 감사 가능성이, 브랜드가 진실인 회사의 요점입니다.

실시간 카메라나 모바일 SDK가 필요한가요? 오늘 무엇이 실행되나요?

이 데모에는 실시간 카메라도 온디바이스 추론도 없습니다. 키포인트 스트림은 세 시나리오에 대해 합성 생성되거나, 실제 촬영 스쿼트 클립 하나에서 MediaPipe로 오프라인 추출되며, 두 경우 모두 스텁 센서입니다. 모바일 캡처 SDK와 어떤 엣지 배포도 미뤄져 있습니다. 오늘 실행되는 것은 실제 해석·증빙 로직입니다. 1-Euro 평활화, 신뢰도 게이트, 클래스 무관 반복 분할, 반복별 생체역학, 집단 적응형 규칙, RTM 정책 게이트, FHIR 형태 내보내기이며, 모두 노트북에서 키 없이 돌아갑니다.

그 100 percent 숫자가 실세계 정확도인가요?

아니요, 범위를 신중히 한정합니다. 100 percent 판정 일치는 35회 반복의 고정된 라벨 합성 세트, 명확 25건과 임계값의 약 1시그마 이내 경계 10건에서이며, 정답은 엔진과 독립적으로 계산된 심어 둔 물리 파라미터 대 프로파일 임계값이고, 엔진은 라벨이 고정된 뒤 주입된 측정 노이즈를 통과해 판정을 복구해야 합니다. 경계 사례는 변별 스트레스 테스트이므로, 극단의 재인이 아니라 진정한 변별이지만, 개방 세계 보장은 아닙니다. 내구성 있는 측정은 과제 정확도, 자동화 처리량, 정직성이며, 가려진 반복 3 of 3이 판정 유보하고 날조된 각도 0건을 포함하며, 포즈 추정이 나아져도 유지됩니다.

기술 연구

이 데모를 뒷받침하는 연구 — 아키텍처, 검증 설계, 엔터프라이즈 청사진.

포즈 모델 위의 두뇌를 구축하세요

청구 가능한 영수증이 있는 검증된 집단 적응형 운동 데이터.

제품팀과 임상팀이 원시 포즈 스트림을, 임상급 각도를 과대 주장하지 않고 검증된 RTM 청구 가능 운동 데이터로 바꾸는 방법을 고민 중이라면, 어떻게 생각하고 계신지 진심으로 듣고 싶습니다. 문제는 업계 전반의 것이고, 답도 그럴 것입니다.

운동 검증 평가

  • ✓ 포즈 스트림이 반복 횟수가 아니라 해석을 필요로 하는 지점을 매핑
  • ✓ 환자 프로파일별 집단 적응형 임계값을 정의
  • ✓ 시스템이 추측하는 대신 판정 유보하도록 신뢰도 게이트를 설정
  • ✓ 임상의가 문서화할 수 있는 RTM 청구 가능·FHIR 형태 레코드를 형태화

함께 구축하기

  • ✓ 어떤 포즈 모델 위의 결정론적, 단위 테스트된 생체역학 엔진
  • ✓ 집단 적응형 규칙 엔진과 결정론적 RTM 정책 게이트
  • ✓ CPT RTM 계열에 매핑된 FHIR 형태 세션 보고서
  • ✓ 블랙박스 채점이 아니라 종단 노트를 위한 근거 검증된 에이전트