Kinetiq · Motor de Inteligência de Exercício e Prova RTM

Estimativa de pose é de graça. A prova faturável acima dela é a parte difícil, e a parte que construímos.

Name: Kinetiq
Author: Veriprajna

Toda plataforma de fisioterapia já consegue rodar estimativa de pose gratuita e contar repetições. O Kinetiq é a camada determinística acima dos keypoints: ele avalia cada repetição contra um perfil clínico adaptativo à população, abstém-se quando uma articulação não está visível em vez de inventar um ângulo, e exporta um relatório de sessão faturável em RTM, em formato FHIR, sobre o qual um clínico pode agir. Agentes aconselham, o código decide.

100%

Concordância de veredicto por repetição recuperada através de ruído injetado nos keypoints (35 de 35 repetições)

Conjunto sintético rotulado fixo: 25 nítidos mais 10 limítrofes

3 / 3

Repetições ocluídas se abstiveram em vez de adivinhar um ângulo, 0 ângulos fabricados

Invariante de honestidade testada em unidade no conjunto rotulado

3 de 4

Sessões auto-verificadas como faturáveis em RTM, 1 encaminhada para revisão clínica, 0 não faturável

3 pacientes sintéticos mais 1 clipe real capturado

Uma demo executável do mecanismo em três pacientes sintéticos e um clipe real de agachamento capturado. Roda offline, sem câmera ao vivo, sem hardware e sem chave de API; os agentes opcionais são a única parte que pode usar um modelo.

Uma biblioteca de pose bruta registrará 15 agachamentos bons em um joelho que está colapsando

Volume sem verificação, e uma contagem de repetições que nenhum pagador reembolsará.

Contar repetições é a parte fácil, e é quase de graça. BlazePose e MoveNet rodam no celular e dirão que um paciente fez 15 agachamentos. O que eles não dirão é que a rep 9 colapsou medialmente em um risco de nova lesão, que o quadril saiu do quadro na rep 12 então nenhum ângulo honesto existe, ou que a mesma profundidade de 80 graus é progresso para um joelho pós-cirúrgico e uma falha para um atleta saudável. Essa interpretação é a camada que uma plataforma de fisioterapia realmente precisa, e é a camada que envelhece pior quando é pulada.

A dor é concreta. A adesão a exercícios em casa na fisioterapia fica em 35 por cento, e 65 por cento dos pacientes abandonam no primeiro mês (Veriprajna WP29 research, 2026), enquanto o autorrelato superestima a adesão. Clínicos querem faturar Remote Therapeutic Monitoring nos CPT 98975 a 98981, mais os códigos de 2026 98979 e 98985 com o limiar de qualificação reduzido a tão pouco quanto 2 dias ou 10 minutos, mas o CMS exige dados coletados por dispositivo atrelados a decisões de tratamento, não coordenadas brutas (Veriprajna WP29 research, 2026). Keypoints brutos não passam nessa barra.

O que está em jogo para os empregadores é igualmente concreto. Condições musculoesqueléticas custam aos empregadores cerca de 3,591 dólares por funcionário por ano, 486 dólares diretos e 3,105 dólares em produtividade, um estimado 36 por cento das cirurgias de MSK são consideradas desnecessárias em uma escala de 90 bilhões de dólares, e mais de 50 por cento dos funcionários resistem a compartilhar dados de saúde por motivos de privacidade (Veriprajna WP29 research, 2026). E o teto de acurácia é real: o erro monocular de ângulo de joelho corre a um erro absoluto médio de 9.3 a 21.9 graus (Nature Scientific Reports, 2025), que é exatamente por que um sistema que afirma um ângulo de grau clínico a partir de uma câmera está superestimando, e um que se abstém em uma repetição de baixa visibilidade está sendo honesto.

Um motor determinístico avalia cada repetição, um gate de política decide a faturabilidade

O núcleo de confiança é código simples, testado em unidade. Nenhum LLM fica no caminho de pontuação.

O pipeline por sessão é direto. Um fluxo de keypoints, sintético ou extraído offline de um clipe capturado, é suavizado com um filtro 1-Euro, filtrado pela confiança do keypoint para que uma repetição se abstenha quando uma articulação não está visível, segmentado em repetições com auto-similaridade temporal agnóstica à classe, transformado em atributos biomecânicos por repetição, avaliado contra um motor de regras adaptativo à população, passado por um gate de política RTM determinístico, e gravado em um relatório de sessão em formato FHIR que renderiza em um dashboard em canvas. Cada veredicto é NumPy simples que um clínico pode interrogar.

Motor biomecânico determinístico

O núcleo de confiança, inteiramente fora de qualquer modelo de linguagem. Um filtro 1-Euro suaviza o fluxo no estilo BlazePose de 33-keypoint, um gate de confiança se abstém abaixo do limiar de visibilidade, a segmentação agnóstica à classe encontra repetições por auto-similaridade temporal, e cada repetição produz ângulo articular e ROM, um índice de valgo de joelho, uma razão de tempo descida para subida, suavidade Log Dimensionless Jerk, e um índice de simetria L ou R. Código simples, testado em unidade, para que um clínico veja exatamente por que uma repetição foi sinalizada.

Gate de política RTM e relatório em formato FHIR

Fora do modelo, código simples decide por sessão: rtm_billable, needs_clinician_review, ou insufficient_device_data, mapeado para a família RTM do CMS CPT 98975 a 98981 mais os códigos de 2026 98979 e 98985. O relatório é JSON em formato FHIR espelhando as formas de campo Observation e DocumentReference, com observações por repetição, a consolidação da sessão, a determinação RTM e a documentação que o CMS espera. Em formato FHIR, não validado em FHIR: o Kinetiq emite o registro, não faz POST para um EHR ao vivo.

O que o motor mede por repetição

Sinal	O que captura	Base
Ângulo articular e ROM	Se a flexão de pico atinge o alvo do perfil, por exemplo 75 graus pós-ACL versus 95 graus para um atleta de bem-estar.	determinístico
Índice de valgo de joelho	Colapso medial do joelho, um risco de nova lesão em um joelho em reabilitação, com limiar por perfil (por exemplo 0.03 pós-ACL).	determinístico
Razão de tempo descida para subida	Desaceleração ou aceleração compensatória em parte do movimento (por exemplo tempo acima de 1.25).	determinístico
Suavidade LDLJ e simetria L ou R	Qualidade de movimento irregular ou assimétrica que uma contagem de repetições sozinha esconde.	determinístico
Gate de confiança	Uma articulação abaixo do limiar de visibilidade, então a repetição não é pontuada em vez de receber um ângulo fabricado.	determinístico, abstém-se

Os agentes opcionais: limitados à interpretação

Por cima do núcleo determinístico, dois agentes opcionais intercambiáveis por provedor interpretam e comunicam os números: um Longitudinal Monitor que redige um acionamento clínico proativo quando uma tendência declina, e um Clinical Scribe que redige a nota RTM. Cada um é checado por grounding contra a evidência determinística, então qualquer cifra que um agente introduza que ainda não esteja na evidência é rejeitada e o template determinístico é mostrado em seu lugar. Ambos se abstêm sem chave de API. O adaptador tem como padrão Claude claude-opus-4-8 e troca para OpenAI ou Gemini, mas o gate de pontuação nunca muda de mãos: agentes aconselham, o código decide.

Sessões demonstradas, na tela

Quatro pacientes rotulados com honestidade: três são sintéticos (Maria, Jordan, Eleanor) e um (Aisha) é um clipe real de agachamento capturado. Sem câmera ao vivo, sem identidade real de paciente, sem prontuário médico.

O pipeline rodando em filmagem real

Aisha é um vídeo real de agachamento com peso do corpo cujos keypoints foram extraídos offline com MediaPipe, depois pontuados pelo mesmo motor inalterado, então a primeira coisa que você vê é o pipeline rodando em filmagem real, rotulado com honestidade. O esqueleto de 33 pontos se sobrepõe ao clipe real enquanto o painel avalia cada repetição contra o perfil de triagem de bem-estar. O gate da sessão retorna rtm_billable, com 1 verificada, 2 sinalizadas, e uma qualidade média de 8.3.

O Kinetiq pontuando Aisha, um clipe real de agachamento com peso do corpo capturado, com o esqueleto de 33 pontos sobreposto ao vídeo real e uma tabela por repetição à direita mostrando uma repetição boa e uma repetição rasa avaliadas contra o perfil de triagem de bem-estar. — Aisha: um clipe real de agachamento, keypoints extraídos offline, pontuado pelo mesmo motor das sessões sintéticas.

A repetição que um modelo de pose conta e um clínico não deveria

Maria é uma paciente sintética pós-ACL fazendo 15 agachamentos prescritos. Uma biblioteca de pose bruta registraria todos os 15 como repetições. O Kinetiq as avalia, e na rep 9 retorna KNEE VALGUS: o índice de valgo de joelho lê 0.054, igual ou acima do limiar 0.03, a flexão de pico é 78.6 graus, e o tempo é 1.4, acima do limite 1.25, um alerta de risco de nova lesão em vez de uma repetição boa. Essa é a tese inteira em uma linha: o valor não é contar a repetição, é pegar a que importa.

A sessão pós-ACL de Maria com a tabela de análise por repetição destacando a rep 9 em vermelho como KNEE VALGUS, lendo índice de valgo de joelho 0.054 igual ou acima de 0.03 como risco de nova lesão e tempo 1.4 acima de 1.25 como compensatório, enquanto as reps 5 a 14 ao redor leem GOOD REP, e a rep 12 lê NOT SCORED com o keypoint do quadril abaixo do limiar de visibilidade. — Rep 9 sinalizada como risco de nova lesão por valgo de joelho, com a cláusula exata do limiar mostrada; a rep 12 se abstém porque o quadril não está visível.

O mesmo movimento, veredicto diferente conforme o perfil do paciente

O julgamento adaptativo à população não é um slogan; ele inverte um veredicto. Troque o perfil de Maria (pós-ACL, alvo 75 graus) para Jordan, um atleta de bem-estar corporativo (alvo 95 graus), e um agachamento a cerca de 80 graus de profundidade que pontuou bom para Maria é pontuado SHALLOW para Jordan. O mesmo movimento ganha um veredicto diferente porque os limiares estão atrelados ao paciente. Na sessão completa de Jordan o gate ainda retorna rtm_billable mesmo com repetições sinalizadas, uma nuance honesta: faturável não significa que toda repetição foi boa.

A sessão de Jordan, atleta de bem-estar corporativo, sob o perfil wellness_athlete, com uma tabela por repetição em que agachamentos em torno de 80 graus de flexão de pico todos leem SHALLOW porque a flexão está abaixo do alvo de 95 graus, a mesma profundidade que foi avaliada como boa sob o alvo pós-ACL de 75 graus de Maria. — A inversão adaptativa à população: cerca de 80 graus é bom para um joelho pós-ACL e raso para um atleta de bem-estar.

O recibo faturável, e a abstenção que o encaminha

A sessão de Maria consolida 13 repetições verificadas, 1 sinalizada (rep 9), e 1 abstida por oclusão, com qualidade média de 9.6 de 10. A determinação RTM lê needs_clinician_review, mapeada para CPT 98975 a 98981 mais os códigos de 2026 98979 e 98985: a sessão é elegível para faturamento, mas o alerta de valgo a encaminha a um clínico antes de qualquer faturamento automático, e esse alerta clínico em si documenta uma decisão de plano de tratamento. Daqui o relatório em formato FHIR exporta como a evidência auditável sobre a qual um clínico documenta RTM.

O modal de determinação RTM de Maria lendo NEEDS CLINICIAN REVIEW, família RTM CPT 98975 a 98981 mais códigos de 2026 98979 e 98985, com 15 repetições prescritas, 13 verificadas, 1 sinalizada, 1 abstida por oclusão, qualidade média 9.6 de 10, e um botão Export FHIR Report. — A determinação RTM: elegível para faturamento, mas o alerta de valgo a encaminha a um clínico antes do faturamento automático.

O benchmark, delimitado com honestidade

Rodar o conjunto rotulado fixo revela o resultado durável. A concordância de veredicto por repetição contra a verdade de referência plantada é 100 por cento em 25 casos nítidos e 100 por cento em 10 casos limítrofes dentro de cerca de um sigma de um limiar, com concordância por classe toda em 1.00. A verdade de referência são os parâmetros físicos plantados versus os limiares do perfil, computados independentemente do motor, e o ruído de medição é injetado depois que os rótulos estão fixos, então o motor deve recuperar o veredicto através do ruído. O invariante de honestidade é separado e testado em unidade: de 3 repetições ocluídas, 3 se abstiveram, com 0 ângulos fabricados. Estes são acurácia de tarefa, vazão e honestidade em um conjunto sintético rotulado fixo, não uma garantia de mundo aberto.

O resumo do benchmark do Kinetiq mostrando cartões de métrica para 100 por cento de concordância de veredicto em 25 casos nítidos, 100 por cento em 10 casos limítrofes dentro de um sigma de um limiar, 3 de 3 repetições ocluídas se abstiveram com 0 ângulos fabricados, e 3 mais 1 de 4 sessões auto-faturáveis ou encaminhadas para revisão, acima de uma tabela de concordância por classe lendo 100 por cento para good rep, shallow, not scored e knee valgus. — 100 por cento em 35 de 35 repetições recuperadas através de ruído injetado, e 3 de 3 repetições ocluídas se abstiveram, no conjunto sintético rotulado.

Onde o Kinetiq se posiciona, e onde não se posiciona

Ele roda depois dos keypoints, sobre qualquer modelo de pose que você já use. Ele constrói a camada de interpretação e prova; não compete com o estimador de pose.

Preocupação	Estimativa de pose bruta e contagem de repetições	Kinetiq
Um joelho colapsando na rep 9	Contado como uma repetição	Sinalizado como risco de nova lesão por valgo de joelho, com o limiar mostrado
Uma articulação fora do quadro	Um ângulo inferido mesmo assim	Abstém-se, repetição não pontuada, nenhum ângulo fabricado
A mesma profundidade, paciente diferente	Um único limiar fixo para todos	Veredito adaptativo à população atrelado ao perfil do paciente
Evidência de faturamento	Coordenadas brutas que o CMS não reembolsará	Relatório de sessão faturável em RTM, em formato FHIR, mapeado para a família CPT
Quem decide a faturabilidade	Não abordado	Um gate de política determinístico fora de qualquer modelo
Durabilidade à medida que os modelos de pose melhoram	Todo o valor é o sensor, que se commoditiza	O valor é o cérebro e a prova acima do sensor

O que esta demo não faz

Não usa câmera ao vivo nem inferência no dispositivo. O fluxo de keypoints é gerado sinteticamente para três cenários ou extraído offline com MediaPipe de um clipe real capturado. O SDK de captura móvel e qualquer implantação em edge ficam adiados.
Não afirma goniometria de grau clínico. O erro monocular de ângulo de joelho é 9.3 a 21.9 graus (Nature Scientific Reports, 2025), então o Kinetiq trabalha na granularidade que o RTM exige e se abstém em repetições de baixa visibilidade em vez de reportar um ângulo preciso.
O relatório de sessão é em formato FHIR, não validado em FHIR nem em conformidade com FHIR. Ele espelha as formas Observation e DocumentReference; a escrita no EHR é um adaptador mock, então emite e não faz POST.
O mapeamento RTM e CPT é um enquadramento para ajudar a documentar RTM, não uma certificação de faturamento, um aval de conformidade, nem uma garantia de reembolso.
O caminho de pontuação não tem LLM nem modelo profundo treinado. V1 é um motor de features determinístico; um TCN treinado é a troca declarada de V2 por trás da mesma interface por repetição. Os agentes opcionais só interpretam e são checados por grounding.
Os pacientes são casos de teste rotulados com honestidade, não pacientes ou clientes reais. Três (Maria, Jordan, Eleanor) são sintéticos e um (Aisha) é um clipe real de agachamento capturado sem identidade real nem prontuário médico. Não há clientes, implantações, depoimentos nem ROI reivindicado.
A concordância de veredicto de 100 por cento e a abstenção 3 de 3 são medições em um conjunto sintético rotulado fixo em que a verdade de referência são os parâmetros plantados versus os limiares do perfil, não garantias de mundo aberto ou de produção.

Perguntas que compradores fazem

Já rodamos BlazePose e contamos repetições. O que o Kinetiq acrescenta?

Estimativa de pose e contagem de repetições são a parte commoditizada. Uma biblioteca de pose bruta registrará de bom grado 15 agachamentos bons em um paciente cujo joelho colapsa na rep 9. O Kinetiq é a camada acima dos keypoints: ele avalia cada repetição contra um perfil clínico adaptativo à população, abstém-se quando uma articulação não está visível, e exporta um relatório de sessão faturável em RTM, em formato FHIR, sobre o qual um clínico pode agir. Essa camada de interpretação e prova é o que uma plataforma de fisioterapia de fato fatura e um clínico age, e ela sobrevive a cada upgrade de modelo de pose em vez de envelhecer junto com ele.

Consegue medir um ângulo articular com acurácia suficiente para faturar?

Não afirmamos goniometria de grau clínico, e dizemos isso na tela. O erro monocular de ângulo de joelho corre a um erro absoluto médio de 9.3 a 21.9 graus (Nature Scientific Reports, 2025), então uma afirmação de ângulo acurado ao grau a partir de uma única câmera é uma armadilha. O Kinetiq trabalha na granularidade que o RTM de fato exige, conclusão verificada mais qualidade aproximada mais tendência, e se abstém em repetições de baixa visibilidade em vez de inventar um ângulo preciso. A evidência de faturamento é o registro de sessão verificado, mapeado ao protocolo, não um ângulo articular exato reivindicado.

O relatório está em conformidade com FHIR, e consegue escrever no nosso EHR?

É em formato FHIR, não validado em FHIR. O relatório de sessão é JSON estruturado que espelha as formas de campo FHIR Observation e DocumentReference, carregando observações por repetição, a consolidação da sessão, a determinação RTM e a família CPT, e os campos de documentação que o CMS espera. A escrita EHR ou FHIR é um adaptador mock nesta demo, então o Kinetiq emite o registro, não faz POST para um servidor ao vivo. Isso mantém o artefato honesto: é a evidência sobre a qual um clínico documenta, moldada para uma integração FHIR downstream que você construiria, não uma escrita certificada em EHR.

Como de fato faturamos RTM a partir disto, e o reembolso é garantido?

O CMS reembolsa Remote Therapeutic Monitoring na família CPT 98975 a 98981, mais os códigos de 2026 98979 e 98985, e exige dados coletados por dispositivo atrelados a decisões de tratamento em vez de coordenadas brutas. O Kinetiq é desenhado para produzir exatamente essa evidência: um gate de política determinístico retorna rtm_billable, needs_clinician_review, ou insufficient_device_data, e o relatório em formato FHIR documenta os dados coletados por dispositivo e o vínculo com a decisão de tratamento. O mapeamento CPT é um enquadramento para ajudar você a documentar RTM, não uma certificação de faturamento nem uma garantia de reembolso, e uma sessão sinalizada é encaminhada a um clínico antes do faturamento automático.

Uma IA está avaliando a forma de exercício de um paciente. Como isso é seguro de defender?

O núcleo de confiança é determinístico e não tem LLM no caminho de pontuação. Cada veredicto por repetição e a determinação de faturabilidade RTM são código NumPy simples, testado em unidade, para que um clínico possa interrogar exatamente por que uma repetição foi sinalizada, por exemplo a rep 9 sinalizada porque o índice de valgo 0.054 está igual ou acima de 0.03 e o tempo 1.4 está acima de 1.25. Agentes aconselham, o código decide: os dois agentes opcionais só interpretam e comunicam a evidência determinística, e qualquer número que um agente introduza que não esteja na evidência é rejeitado e o template determinístico é mostrado em seu lugar. Essa auditabilidade é o ponto para uma firma cuja marca é a verdade.

Precisa de uma câmera ao vivo ou de um SDK móvel? O que roda hoje?

Não há câmera ao vivo nem inferência no dispositivo nesta demo. O fluxo de keypoints ou é gerado sinteticamente para três cenários ou extraído offline com MediaPipe de um clipe real de agachamento capturado, um sensor stub em ambos os casos. O SDK de captura móvel e qualquer implantação em edge ficam adiados. O que roda hoje é a lógica real de interpretação e prova: a suavização 1-Euro, o gate de confiança, a segmentação de repetições agnóstica à classe, a biomecânica por repetição, as regras adaptativas à população, o gate de política RTM, e a exportação em formato FHIR, tudo sem chave em um laptop.

Esses números de 100 por cento são acurácia do mundo real?

Não, e temos o cuidado de delimitá-los. A concordância de veredicto de 100 por cento é em um conjunto sintético rotulado fixo de 35 repetições, 25 nítidos e 10 limítrofes dentro de cerca de um sigma de um limiar, em que a verdade de referência são os parâmetros físicos plantados versus os limiares do perfil, computados independentemente do motor, e o motor deve recuperar o veredicto através de ruído de medição injetado depois que os rótulos estão fixos. Os casos limítrofes são um teste de estresse de discriminação, então isto é discriminação genuína em vez de recall de um extremo, mas não é uma garantia de mundo aberto. As medidas duráveis são acurácia de tarefa, vazão de automação e honestidade, incluindo 3 de 3 repetições ocluídas se abstiveram com 0 ângulos fabricados, que se sustentam à medida que a estimativa de pose melhora.

Pesquisa técnica

A pesquisa por trás desta demo — a arquitetura, o desenho de verificação e o blueprint empresarial.

Solução completa

Explore a solução AI Biomechanics for PT Platforms & Corporate Wellness →

Construa o cérebro acima do seu modelo de pose

Dados de exercício verificados, adaptativos à população, com um recibo faturável.

Se as suas equipes de produto e clínicas estão resolvendo como transformar um fluxo de pose bruto em dados de exercício verificados, faturáveis em RTM, sem superestimar um ângulo de grau clínico, gostaríamos genuinamente de ouvir como vocês estão pensando nisso. O problema é de toda a indústria e as respostas também serão.

Avaliação de verificação de exercício

✓ Mapear onde o seu fluxo de pose precisa de interpretação, não só de contagens de repetição
✓ Definir limiares adaptativos à população por perfil de paciente
✓ Ajustar o gate de confiança para que o sistema se abstenha em vez de adivinhar
✓ Moldar um registro faturável em RTM, em formato FHIR, sobre o qual seus clínicos possam documentar

Construa conosco

✓ Um motor biomecânico determinístico, testado em unidade, acima de qualquer modelo de pose
✓ Um motor de regras adaptativo à população e um gate de política RTM determinístico
✓ Um relatório de sessão em formato FHIR mapeado para a família CPT RTM
✓ Agentes checados por grounding para a nota longitudinal, não pontuação caixa-preta

Conectar via WhatsApp Envie um e-mail à nossa equipe