AI-biomechanica & oefeningverificatie
Pose-estimatie is gratis. BlazePose, MoveNet en MediaPipe zijn open source en draaien op elke telefoon. Het lastige probleem is de laag erboven: oefeningspecifieke biomechanische intelligentie die weet dat een 70-jarige patiënt na een knievervanging andere doelen voor squatdiepte heeft dan een 30-jarige bedrijfsatleet. Wij bouwen die laag. Op maat gemaakte engines voor oefeningverificatie voor fysiotherapieplatforms en bedrijfswelzijnsprogramma's, van camera-invoer tot RTM-conforme nalevingsgegevens.
35%
PT-patiënten volgen thuisoefeningen volledig op
Physiopedia / Sprypt, 2025
$3.591
Jaarlijkse MSK-last per werknemer
UHC ($486 direct) + BioFunctional ($3.105 productiviteit)
96%
Werkgevers die virtuele MSK-zorg aanbieden tegen 2027
Business Group on Health, 2025
Of u nu een fysiotherapieplatform bouwt dat oefeningverificatie nodig heeft voor RTM-facturering, of een bedrijfswelzijnsprogramma dat fraudebestendige oefeningmonitoring nodig heeft: de kloof is dezelfde: ruwe pose-gegevens erin, klinisch betekenisvolle beslissingen eruit.
Elk fitness-AI-bedrijf draait pose-estimatie. De vraag is wat er gebeurt nadat de keypoints zijn geëxtraheerd.
Een 62-jarige patiënt, 8 weken na een VKB-reconstructie, voert thuis voorgeschreven squats met het eigen lichaamsgewicht uit. De camera van zijn telefoon legt de beweging vast. BlazePose extraheert 33 keypoints per frame bij 30 FPS. Dit is wat de ruwe gegevens laten zien:
Een pose-estimatiebibliotheek geeft die getallen terug. Ze weet niet dat:
Deze interpretatielaag is wat wij bouwen. Pose-estimatie is de sensor. Oefeningintelligentie is het brein. De sensor is een commodity. Het brein niet.
65% van de patiënten stopt binnen de eerste maand met thuisoefeningprogramma's. Zelfgerapporteerde naleving is onbetrouwbaar. Behandelaars willen RTM-codes (98975-98981) factureren, maar hebben geverifieerde oefeningegevens nodig met tijdstempels, kwaliteitsmetingen en protocolmapping om te voldoen aan de documentatievereisten van CMS.
De CMS Final Rule van 2026 voegde de CPT-codes 98979 en 98985 toe en verlaagde de RTM-factureringsdrempel van 16 dagen naar slechts 2 dagen monitoring en van 20 minuten naar 10 minuten beheertijd. Er zijn nu meer patiënten factureerbaar. Maar de documentatie vereist nog steeds door een apparaat verzamelde gegevens die gekoppeld zijn aan behandelbeslissingen.
Slechts 25% van de werknemers maakt daadwerkelijk gebruik van beschikbare welzijnsprogramma's. Meer dan 50% geeft aan terughoudend te zijn om gezondheidsgegevens te delen. En na meerdere schandalen rond het schudden van Fitbits eisen werkgevers oefeningverificatie die niet aanvoelt als surveillance.
De markt voor bedrijfswelzijn bereikt in 2026 $100 miljard, maar slechts 25% van de werknemers gebruikt daadwerkelijk de beschikbare programma's. Het vertrouwensprobleem zit diep: meer dan de helft van de werknemers verzet zich tegen het delen van gezondheidsgegevens met hun werkgever. Ondertussen is 36% van de MSK-operaties onnodig, wat de beroepsbevolking $90 miljard kost (Employee Benefit News). Geverifieerde oefeningegevens creëren een ander waardevoorstel: vroege detectie van afnemende bewegingskwaliteit die een klinische beoordeling activeert voordat dure interventies noodzakelijk worden.
Haal deze tabel erbij bij uw volgende leveranciersevaluatie. Elke vermelding weerspiegelt geleverde capaciteiten per Q1 2026, geen beloften op de roadmap.
| Aanbieder | Wat ze leveren | Verificatiemethode | Waar het tekortschiet |
|---|---|---|---|
| Hinge Health | Volledig MSK-platform. TrueMotion computer vision, Robin AI-triageassistent. $732M verwachte omzet in 2026. | Computer vision (Movement Analysis) + IMU-draagbare sensor | Gesloten platform. Kan niet in uw product worden ingebed. Geprijsd voor grote werkgevers, niet voor netwerken van fysiotherapieklinieken. Hun verificatietechnologie zit opgesloten in hun zorgmodel. |
| Sword Health + Kaia | Kaia overgenomen ($285M, jan. 2026). Combineert M-band draagbaar apparaat + Kaia's Motion Coach computer vision. Plant een ronde van $500M. | Biofeedback via draagbare sensor + markervrije computer vision (gecombineerd na de overname) | Dezelfde lock-in als Hinge. Vervangt Kaia's Amerikaanse MSK-oplossing door Sword's platform, dus Kaia-klanten zitten in een overgangsfase. Hardware-afhankelijkheid (M-band) voegt logistieke wrijving toe bij opschaling. |
| Peloton IQ | Vormvolgcamera's op de Cross Training-serie (gelanceerd okt. 2025). Reptelling, vormcorrecties, integratie met draagbare apparaten. | Ingebouwde AI-camera op hardware | Consumentenfitness, niet klinisch. Geen RTM-capaciteit. Hardware-gebonden (werkt alleen op Peloton-apparatuur). Niet beschikbaar als platform of SDK. |
| Kemtai | B2B computer-vision-platform. 44 lichaamsoriëntatiepunten, skeletoverlay, realtime corrigerende begeleiding. Browsergebaseerd (WebGPU). | Browsergebaseerde pose-estimatie met regelgebaseerde vormcorrectie | Algemene fitnessfocus, niet klinisch gevalideerd voor fysiotherapie. Browsergebaseerd betekent geen NPU-acceleratie (hogere latentie). De regel-engine is algemeen toepasbaar, niet configureerbaar per patiënt per oefening. |
| QuickPose | B2B iOS-SDK voor fitness-apps. AI-tellers, timers, vormcontrole. Snelle integratie. | iOS-SDK met pose-estimatie + basale hoekdrempels | Alleen iOS. Biedt pose-estimatie met basale vormfeedback, geen diepgaande biomechanische analyse. Geen temporele modellering (repkwaliteit, vermoeidheidsdetectie, trendanalyse). Geen RTM-documentatie-uitvoer. |
| Limber Health | Specialist in RTM-facturering. Octrooi-aangevraagde risicostratificatie. 3,3x meer HEP-sessievoltooiing. 30%+ betere uitkomsten (Athletico-gegevens). | Zelfgerapporteerde oefeningmonitoring + RTM-factureringsworkflow | Sterk in RTM-factureringsworkflow, maar oefeningnaleving wordt zelf gerapporteerd, niet geverifieerd via computer vision. De factureringsinfrastructuur is uitstekend; de oefeningverificatie is de kloof. |
| MedBridge | 3.500+ zorgorganisaties. Oefeningvoorschriften, therapievideo's voor patiënten, RTM-capaciteiten. | Oefeningvideobibliotheek + zelfrapportage door patiënten + RTM | Uitstekende content en klinische workflow. Oefeningvoltooiing is videogebaseerd (patiënt kijkt en rapporteert). Geen vormverificatie, geen kwaliteitsscore, geen biomechanische analyse. |
| Big 4 / grote SI's | Accenture, Deloitte en soortgelijke firma's adviseren over digitalegezondheidsstrategie en platformselectie. | Strategisch advies, geen technologiebouw | Ze raden platforms aan en integreren ze. Ze bouwen geen oefeningintelligentie-engines. Opdrachten lopen op tot $500K-$2M+ en leveren aanbevelingen op, geen ingezette systemen. Voor een fysiotherapieplatform dat een SDK nodig heeft en geen strategiepresentatie, zijn ze het verkeerde gereedschap. |
| Veriprajna | Op maat gemaakte oefeningintelligentielaag. Edge-SDK, RTM-documentatiepijplijn, door behandelaars configureerbare drempels. | Pose-estimatie op het apparaat + TCN temporele analyse + biomechanische regel-engine | Geen zorgplatform. Levert geen fysiotherapeuten, klinische workflows of patiëntenbeheer. Wij bouwen de verificatie-engine; u bouwt (of heeft al) het product eromheen. Monoculaire camera-nauwkeurigheid heeft reële beperkingen (zie FAQ). |
Vijf capaciteiten, elk ontworpen om een specifiek probleem in de oefeningverificatiepijplijn op te lossen. We bouwen deze als losstaande modules of als een geïntegreerd systeem, afhankelijk van wat uw platform nodig heeft.
Het lastige deel. Biomechanische regelsets voor 30+ fysiotherapie-oefeningen, elk met: doelgewrichtshoeken per oefeningfase, aanvaardbare ROM-bereiken, minimale amplitude voor geldige reptelling, vloeiendheidscriteria (Log Dimensionless Jerk) en bilaterale symmetriebaselines.
We kalibreren drempels met kinesiologen, niet alleen met ML-engineers. Een drempel voor knie-extensie voor een postoperatieve patiënt in week 4 is fundamenteel anders dan in week 12. De regel-engine behandelt dit als door behandelaars configureerbare parameters, niet als hardgecodeerde waarden. Voor 30 kern-fysiotherapie-oefeningen streven we naar 85%+ overeenstemming met de beoordeling van een ervaren fysiotherapeut op kwaliteitsscore.
Van camera-invoer naar gestructureerde gegevens die voldoen aan de documentatievereisten van CMS voor CPT-codes 98975-98981 (plus de nieuwe codes 98979 en 98985 van 2026). De pijplijn levert sessierapporten met tijdstempel: geverifieerde reptellingen, kwaliteitsscores per rep, ROM-metingen gemapt aan het voorgeschreven oefeningprotocol en trendgegevens over sessies heen.
Het uitvoerformaat is FHIR-compatibele JSON, ontworpen voor integratie met EPD-systemen. Het rapport sluit direct aan op het voorgeschreven oefeningplan van de patiënt, zodat de behandelaar ziet: "Patiënt voltooide 12/15 voorgeschreven knie-extensies, gemiddelde kwaliteitsscore 7,2/10, ROM-trend: 78 naar 84 graden over 2 weken" in plaats van ruwe coördinaatgegevens.
Cross-platform SDK (iOS + Android) die volledig op het apparaat draait. Pose-estimatie via BlazePose (33 keypoints, 3D) of MoveNet Lightning (17 keypoints, snelheidsgeoptimaliseerd), met NPU-acceleratie via CoreML- en NNAPI-delegates. Inferentie in 15 ms op de NPU, totale glas-tot-glaslatentie onder 50 ms.
Videoframes worden onmiddellijk na de keypoint-extractie weggegooid. Geen pixelgegevens verlaten het apparaat. Dit is niet alleen een privacyfunctie; het is een architectonische keuze die blootstelling van biometrische gegevens onder BIPA/AVG elimineert, de kosten van cloudinferentie wegneemt (nul marginale kosten per sessie) en offline gebruik mogelijk maakt voor patiënten met onbetrouwbare connectiviteit.
Oefeningscores die zich aanpassen aan het klinische profiel van de gebruiker. Een 70-jarige patiënt na een knievervanging heeft andere eisen voor squatdiepte dan een 30-jarige bedrijfsatleet in een welzijnsprogramma. Het systeem ondersteunt door behandelaars instelbare drempels per patiënt per oefening, met zinvolle standaardwaarden op basis van leeftijdsgroep, type aandoening en herstelfase.
Dit omvat intelligentie voor de camera-opstelling. Verschillende oefeningen vereisen verschillende camerahoeken: zijaanzicht voor het beoordelen van squatdiepte, vooraanzicht voor het detecteren van knievalgus. De SDK bevat een opstelwizard die realtime positioneringsfeedback geeft ("Verplaats uw telefoon 60 cm naar links") en confidence gating die de analyse pauzeert wanneer de zichtbaarheid van keypoints onder de drempel zakt, in plaats van hoeken te raden vanuit afgedekte gewrichten.
De sector beweegt zich van passieve monitoring naar autonome gezondheidsagenten. Het ADVOCATE-programma van ARPA-H bouwt klinische AI-agenten die autonoom zorgplannen aanpassen. Wij bouwen oefeningmonitoringagenten die verder gaan dan scores per enkele sessie. De agent volgt patronen over sessies heen: afnemende ROM-trends die erop wijzen dat de patiënt achteruitgaat, toenemende asymmetrie die compensatiepatronen aanduidt, door vermoeidheid gedreven vormverslechtering die correleert met tijdstip van de dag of dagen sinds de laatste sessie.
Voor fysiotherapieplatforms betekent dit proactieve waarschuwingen voor behandelaars ("De knieflexie-ROM van patiënt X is over de laatste 5 sessies met 8 graden afgenomen, wat op een mogelijke terugval wijst") in plaats van te wachten op het volgende fysieke bezoek. Voor bedrijfswelzijn betekent het trendanalyse op programmaniveau die identificeert welke oefeninginterventies de MSK-uitkomsten daadwerkelijk verbeteren en welke deelname zonder vooruitgang opleveren.
Een patiënt opent uw fysiotherapie-app en begint aan een voorgeschreven set van 15 squats met het eigen lichaamsgewicht. Dit is wat er gebeurt in de 46 milliseconden tussen elk cameraframe en de feedback op het scherm.
De camera van het apparaat legt een frame vast. BlazePose (draaiend op de NPU via een CoreML- of NNAPI-delegate) extraheert 33 skeletale keypoints met 3D-coördinaten (x, y, z) en confidence scores per keypoint. Totale inferentie: 10-15 ms op de NPU. Het videoframe wordt weggegooid. Alleen de coördinaten gaan verder.
Ruwe keypoints trillen van frame tot frame door pixelkwantisatieruis. Een voortschrijdend gemiddelde zou de trilling gladstrijken maar 300 ms+ latentie toevoegen. Wij gebruiken het 1-Euro-filter, dat zijn afkapfrequentie aanpast op basis van snelheid: agressieve verzachting wanneer de patiënt een houding aanhoudt (elimineert visuele trilling), minimale verzachting tijdens snelle beweging (behoudt responsiviteit). Het resultaat: stabiele coördinaten met vrijwel nul toegevoegde latentie.
Als de confidence van het heup-keypoint onder 0,5 zakt (arm die de heup afdekt, slechte belichting, probleem met de telefoonhoek), pauzeert de analyse en ziet de patiënt "Pas de camerahoek aan, heup niet zichtbaar." We raden nooit gewrichtshoeken vanuit keypoints met lage confidence. Een valse waarschuwing "Uw knie valt naar binnen" tijdens een correcte rep vernietigt het vertrouwen onmiddellijk. Een gemiste waarschuwing tijdens daadwerkelijke valgus creëert aansprakelijkheid. De drempel is opzettelijk strikt.
De gladgestreken keypoint-stroom voedt een Temporal Convolutional Network met causale gedilateerde convoluties. In tegenstelling tot LSTM's (die frames sequentieel verwerken en moeite hebben met lange sequenties), gebruiken TCN's parallelle convoluties met exponentieel groeiende receptieve velden. Laag 1 ziet aangrenzende frames. Laag 10 ziet 512 frames geschiedenis. Hierdoor kan het model tegelijkertijd de momentane vorm analyseren (vindt de knievalgus nu plaats?) en langetermijnpatronen (verslechtert de repkwaliteit naarmate de set vordert?). Recent onderzoek (MSA-TCN, IEEE 2025) behaalt 98,7% HAR-nauwkeurigheid bij een modelgrootte van 0,08 MB en 1,8 ms inferentie op middenklasse smartphones.
De biomechanische regel-engine past oefeningspecifieke logica toe. Voor deze squat: Amplitude (overschreed de heupverplaatsing de door de behandelaar ingestelde dieptedrempel?), Vloeiendheid (Log Dimensionless Jerk-score, waarbij hoge jerk wijst op tremor of vals spelen met momentum), Symmetrie (asymmetrie-index die de signaalenergie van het linker- en rechterbeen vergelijkt), en Tempo (daal-stijgverhouding als indicator van compensatoire beweging). Elke metriek mapt aan een kwaliteitsscore per rep.
De patiënt ontvangt gelijktijdige audio-/haptische feedback ("Ga dieper" of "Goede rep"). Aan het einde van de sessie produceert de SDK een gestructureerd JSON-rapport: 12/15 voorgeschreven reps voltooid, gemiddelde kwaliteit 7,4/10, knieflexie-ROM 78-84 graden (verbeterd ten opzichte van 72-80 in de vorige sessie), één valgusvlag bij rep 9. Dit rapport mapt direct aan het voorgeschreven protocol en voedt uw RTM-documentatiepijplijn.
Totale glas-tot-glaslatentie: ~46 ms. Ter context: de menselijke visuele reactietijd is 150-250 ms. Het systeem detecteert vormfouten en reageert erop sneller dan de patiënt ze kan waarnemen, wat echte gelijktijdige feedback mogelijk maakt in plaats van de "vertraagde feedback" die cloudgebaseerde systemen 2-5 seconden nadat de beweging al heeft plaatsgevonden leveren.
Een typische opdracht loopt 5-8 maanden, van beoordeling tot productie-implementatie. De tijdlijn hangt af van hoeveel oefeningen u geverifieerd nodig heeft en of uw platform al pose-estimatie heeft geïntegreerd.
Opleverbaar: document met technische vereisten + oefeningprioriteitsmatrix + architectuuraanbeveling
Opleverbaar: werkende SDK geïntegreerd in uw app + oefeningregelbibliotheek + documentatiepijplijn
Opleverbaar: validatierapport met nauwkeurigheidsmetingen per oefening + drempelaanpassingen + beperkingsdocumentatie
Opleverbaar: productie-implementatie + pilotprestatierapport + uitbreidingsroadmap voor aanvullende oefeningen
Eerlijke kanttekening: Het toevoegen van een nieuwe oefening aan de bibliotheek kost telkens 1-2 weken. Oefeningen met duidelijke periodieke patronen (squats, kuitheffingen, bicepscurls) kalibreren sneller. Complexe meerfasige bewegingen (Turkse opstaanoefeningen, Olympische tilbewegingen) of niet-periodieke oefeningen (yogaflows, isometrische houdingen) duren langer en kunnen lagere confidence scores hebben. We scopen dit vooraf, zodat u weet wat u krijgt.
Beantwoord zes vragen over de huidige status van uw platform. De beoordeling brengt in kaart waar u zich op de volwassenheidscurve voor oefeningverificatie bevindt en identificeert de specifieke kloven om te dichten.
1. Gebruikt uw platform momenteel enige vorm van pose-estimatie of bewegingsmonitoring?
2. Hoe verifieert uw platform momenteel de voltooiing van oefeningen?
3. Kunnen behandelaars of programmamanagers oefeningdrempels per gebruiker configureren?
4. Ondersteunt uw oefeninggegevensuitvoer RTM-facturering of gestructureerde welzijnsrapportage?
5. Waar draait de oefeninganalyse?
6. Hoeveel oefeningen moet uw platform verifiëren?
We bouwen een mobiele SDK die integreert met uw bestaande iOS- en Android-apps. De SDK verzorgt pose-estimatie op het apparaat (MediaPipe BlazePose voor 33-keypoint-tracking of MoveNet Lightning voor snelheidskritische scenario's), trillingsverzachting via 1-Euro-filtering en oefeningspecifieke vormanalyse. Uw app roept de SDK aan wanneer een patiënt een oefeningsessie start. De SDK geeft gestructureerde gegevens terug: reptellingen, kwaliteitsscores per rep, gewrichtshoekmetingen en samenvattingen van sessienaleving. Integratie kost doorgaans 3-4 weken voor de API-koppeling, plus 2-3 weken voor UI-werk aan uw kant om de feedback weer te geven. De SDK draait volledig op het apparaat met CoreML- (iOS) of NNAPI-delegates (Android), zodat er geen cloudkosten per inferentie zijn en geen videogegevens de telefoon van de patiënt verlaten. Voor fysiotherapiespecifieke implementaties bieden we door behandelaars configureerbare drempels: uw therapeuten stellen via een webdashboard de doel-ROM, aanvaardbare bereiken en kwaliteitscriteria per patiënt per oefening in. De SDK handhaaft die drempels tijdens de sessie en markeert afwijkingen in het nalevingsrapport.
Eerlijk gezegd hangt het af van de oefening en de meting. MediaPipe BlazePose laat een Pearson-correlatie zien van 0,91 voor bewegingen van de bovenste ledematen en 0,80 voor bewegingen van de onderste ledematen, vergeleken met Qualisys motion capture (de gouden standaard). Specifiek voor knieflexie heeft monoculaire camerameting een gemiddelde absolute fout van 9,3 tot 21,9 graden in 2D. Dat is geen klinisch niveau voor precieze goniometrische meting. Maar RTM-facturering onder CPT-codes 98975-98981 vereist geen goniometrische precisie. De documentatievereisten van CMS specificeren gegevens met tijdstempel van een monitoringapparaat, dossiers van patiëntinteractie en behandelplanbeslissingen op basis van monitoringgegevens. Wat behandelaars voor RTM nodig hebben, is geverifieerde oefeningvoltooiing (heeft de patiënt de voorgeschreven 15 reps knie-extensies gedaan?), benaderende kwaliteitsbeoordeling (vielen de reps binnen een redelijk ROM-bereik?) en trendgegevens over de tijd (verbetert de ROM week na week?). Camera-gebaseerde systemen leveren dit betrouwbaar. Waar we de grens trekken: wij claimen geen hoekmeting van klinisch niveau vanuit één telefooncamera. Voor patiënten bij wie precieze ROM-meting belangrijk is (bijvoorbeeld mijlpalen in postoperatief herstel), raden we aan dit aan te vullen met goniometercontroles tijdens fysieke bezoeken. Het camerasysteem verzorgt de 28 dagen tussen bezoeken in, wanneer de patiënt thuis zonder toezicht oefent.
Meer dan 50% van de werknemers geeft aan terughoudend te zijn om gezondheidsinformatie met hun werkgever te delen, en camera-gebaseerde monitoring versterkt die terughoudendheid. We pakken dit aan met een edge-first architectuur waarbij nooit video het apparaat verlaat. De telefooncamera legt frames vast, het model op het apparaat extraheert de coördinaten van skeletale keypoints (33 x,y,z-waarden per frame), en de videoframes worden onmiddellijk weggegooid. Alleen geaggregeerde sessiegegevens bereiken het welzijnsplatform van de werkgever: oefeningtype, reptelling, kwaliteitsscore, sessieduur. Geen video. Geen keypoint-stromen. Geen bewegingspatronen die als biometrische identifiers kunnen functioneren. Dit is ook juridisch van belang. Coördinaatstromen van skeletale keypoints kunnen biometrische gegevens vormen onder BIPA (Illinois) en artikel 9 van de AVG, aangezien is aangetoond dat gangbeeldanalyse een biometrische identifier is. Door op het apparaat te verwerken en alleen geaggregeerde metingen te verzenden, blijven we aan de juiste kant van de biometrische privacywetgeving. De werknemer ziet zijn eigen vormfeedback in realtime op zijn scherm. De werkgever ziet een nalevingsdashboard met deelnamepercentages en geaggregeerde kwaliteitstrends. De kloof tussen die twee weergaven is de privacygrens, en we handhaven die architectonisch, niet alleen met beleid.
Hinge Health (met een verwachte omzet van $732M in 2026) en Sword Health (dat Kaia Health in januari 2026 voor $285M overnam) zijn volledige platforms: ze leveren de fysiotherapie, de oefeningen, de monitoring en de klinische ondersteuning. Als u een end-to-end MSK-oplossing voor uw werknemers wilt kopen, zijn dat sterke opties. Veriprajna concurreert daar niet mee. Wij bouwen de intelligentielaag voor oefeningverificatie voor organisaties die deze ingebed in hun eigen platform nodig hebben. Drie scenario's waarin dit van belang is: Ten eerste, als u een fysiotherapieplatform of digitalegezondheidsbedrijf bent dat zijn eigen MSK-product bouwt, heeft u oefeningverificatietechnologie nodig maar wilt u het concurrerende product van Hinge Health niet white-labelen. Wij bouwen de SDK die de oefeningmonitoring van uw platform aandrijft. Ten tweede, als u een grote werkgever bent (5.000+ werknemers) die al een MSK-leverancier heeft maar onafhankelijke oefeningverificatie wil voor uw bredere welzijnsprogramma buiten MSK, inclusief algemene fitnessuitdagingen, preventieve oefening en ergonomische naleving. Ten derde, als u opereert in een gereguleerde context (verzekeringsacceptatie, validatie van claims voor werknemerscompensatie) waarbij u de verificatielaag los moet koppelen van elk afzonderlijk zorgplatform, zodat deze onafhankelijk kan worden geaudit. Wij zijn de verificatielaag, niet het zorgplatform.
We starten implementaties met een kernbibliotheek van 30 fysiotherapie-oefeningen die de meest voorkomende revalidatieprotocollen dekken: ROM-oefeningen (schouderflexie en -abductie, knieflexie en -extensie, heupflexie, enkeldorsiflexie), krachttraining (squat, lunge, bridge, kuitheffing, wandpush-up, seated row, bicepscurl), evenwicht (eenbenig staan, tandemstand) en functionele bewegingen (zit-naar-stand, step-up, gangbeeldanalyse). Elke oefening heeft een biomechanische regelset die geldige vormdrempels definieert: doelgewrichtshoeken, aanvaardbare bereiken, minimale amplitude voor reptelling, vloeiendheidscriteria en symmetriebaselines. Het toevoegen van een nieuwe oefening kost 1-2 weken. Het proces omvat het definiëren van de biomechanische regelset met een kinesioloog (welke gewrichten te volgen, welke hoeken de oefeningfasen bepalen, wat een kwalitatieve rep is), het verzamelen van kalibratiegegevens van 20-30 proefpersonen van uiteenlopende lichaamstypes, en het valideren tegen de beoordeling van een ervaren fysiotherapeut met een doel van 85%+ overeenstemming op kwaliteitsscore. Oefeningen met duidelijke periodieke patronen (squats, bicepscurls, kuitheffingen) zijn eenvoudig. Complexe meerfasige bewegingen (Turkse opstaanoefeningen, Olympische tilbewegingen) of niet-periodieke bewegingen (yogaflows, isometrische houdingen) vereisen meer kalibratietijd en kunnen lagere confidence scores hebben. We zijn transparant over welke oefeningen het systeem goed aankan en welke niet.
MSK-aandoeningen kosten werkgevers ongeveer $40,51 per lid per maand aan directe zorgkosten (UnitedHealthcare), plus $3.105 per werknemer per jaar aan productiviteitsverlies door MSK-gerelateerd ziekteverzuim. Dat is ruwweg $3.591 per werknemer per jaar aan gecombineerde last. Het mechanisme voor kostenverlaging is niet de AI zelf. Het is wat geverifieerde oefeningegevens mogelijk maken. Ten eerste, vroege interventie: wanneer het systeem afnemende ROM-trends of toenemende asymmetrie in de oefeningegevens van een deelnemer detecteert, activeert het een klinische beoordeling voordat de aandoening verergert tot een chirurgisch geval. 36% van de MSK-operaties is onnodig (Employee Benefit News), en elke vermeden operatie bespaart $30.000-$50.000. Ten tweede, geverifieerde therapietrouw leidt tot betere uitkomsten: fysiotherapiepatiënten die RTM-ondersteunde oefeningmonitoring gebruiken, voltooien 3,3x meer thuisoefensessies dan patiënten in standaardprogramma's (gegevens van Limber Health), en Athletico Physical Therapy rapporteert 30%+ betere uitkomsten met RTM. Ten derde, specifiek voor bedrijfswelzijnsprogramma's elimineert geverifieerde oefening de fraude die het vertrouwen van werkgevers heeft uitgehold. Wanneer prikkels gekoppeld zijn aan geverifieerde voltooiing in plaats van zelfgerapporteerde activiteit, neemt de deelname onder oprechte sporters toe omdat het systeem niet langer mensen beloont die hun Fitbit schudden. Het realistische besparingsbereik ligt tussen $800-$2.000 per betrokken werknemer per jaar, afhankelijk van de MSK-last van de populatie en het betrokkenheidspercentage van het programma.
De interactieve whitepapers achter deze solutionpagina. Deze behandelen de technische grondslagen in de diepte.
Edge-AI-architectuur voor pose-estimatiefeedback onder 50 ms. Vergelijking van BlazePose vs MoveNet vs YOLOv11, wiskunde van het 1-Euro-filter, NPU-acceleratie, en het biomechanische argument tegen cloudgebaseerde oefeninganalyse.
TCN-architectuur voor oefeningverificatie. Causale gedilateerde convoluties, klasse-agnostische reptelling via temporele zelfgelijkenismatrices, kwaliteitsscore via amplitudedrempels en Log Dimensionless Jerk, en het argument om menselijke beweging als een signaalverwerkingsprobleem te behandelen.
65% stopt binnen de eerste maand met thuisoefeningprogramma's. Van degenen die doorgaan, overschat zelfgerapporteerde naleving de werkelijke therapietrouw.
Geverifieerde oefeningegevens veranderen die vergelijking. Ze geven behandelaars echte nalevingsgegevens voor behandelbeslissingen, geven werkgevers het vertrouwen dat welzijnsuitgaven uitkomsten opleveren, en geven patiënten realtime feedback waardoor thuisoefeningprogramma's daadwerkelijk werken. De technologie om beweging vast te leggen is gratis. De intelligentie om die te interpreteren is wat wij bouwen.