Kinetiq · 運動智慧與 RTM 證明引擎

姿態估計是免費的。其上可請款的證明才是難題，也是我們打造的那一層。

每一個物理治療平台都能跑免費的姿態估計並計算次數。Kinetiq 是關鍵點之上的確定性層：它依族群適應的臨床檔案為每一次動作評等，當關節不可見時棄權而非臆造角度，並匯出臨床醫師可據以行動、可開立 RTM 帳單的 FHIR 形態場次報告。智能體提供建議，程式碼作裁決。

100%

透過注入關鍵點雜訊後還原的單次判決一致率（35 of 35 次）

固定標註合成集：25 筆明確加上 10 筆臨界

3 / 3

被遮擋的次數改為棄權，而非猜測角度，0 個臆造角度

在標註集上經單元測試的誠實不變式

3 of 4

場次自動核實為可開立 RTM 帳單，1 場轉交臨床醫師審閱，0 場不可請款

3 名合成患者加上 1 段真實擷取片段

在三名合成患者與一段真實擷取深蹲片段上，機制的可執行示範。離線運行，無需即時攝影機、無需硬體、無需 API 金鑰；唯一可能使用模型的部分是可選智能體。

原始姿態函式庫會在膝蓋正在內塌的情況下，記錄 15 次良好深蹲

有量而無核驗，以及付款方不會核銷的次數。

計算次數是容易的部分，而且幾乎免費。BlazePose 與 MoveNet 可在手機上運行，並告訴你患者做了 15 次深蹲。它們不會告訴你的是：第 9 次向內側塌陷、構成再傷風險；第 12 次髖部掉出畫面，因此不存在誠實的角度；或是同樣 80 度的深度，對術後膝蓋是進展、對健康運動員卻是失敗。那種詮釋才是物理治療平台真正需要的層，也是被略過時老化最快的那一層。

痛點很具體。物理治療的居家運動遵從度落在 35 percent，且 65 percent 的患者在第一個月內放棄（Veriprajna WP29 research, 2026），而自我回報會高估遵從。臨床醫師想依 CPT 98975 to 98981 請款遠距治療監測（Remote Therapeutic Monitoring），再加上 2026 代碼 98979 與 98985，合格門檻可低至 2 days 或 10 minutes，但 CMS 要求的是綁定治療決策、由裝置蒐集的資料，不是原始座標（Veriprajna WP29 research, 2026）。原始關鍵點過不了那道門檻。

對雇主而言，利害同樣具體。肌肉骨骼疾患每年讓雇主付出每位員工約 3,591 美元，其中 486 美元為直接成本、3,105 美元為生產力損失；估計 36 percent 的 MSK 手術在 90 billion 美元規模上被視為不必要；超過 50 percent 的員工基於隱私理由抗拒分享健康資料（Veriprajna WP29 research, 2026）。準確度上限也是真的：單目膝角誤差的平均絕對誤差落在 9.3 to 21.9 degrees（Nature Scientific Reports, 2025），這正是為何從單一攝影機宣稱臨床級角度是過度銷售，而在低可見度次數上棄權才是誠實。

確定性引擎為每一次動作評等，政策閘門決定可否請款

信任核心是平實、經單元測試的程式碼。評分路徑裡沒有 LLM。

每一場次的管線直接明瞭。關鍵點串流——合成的，或從擷取片段離線抽出——以 1-Euro 濾波器平滑，依關鍵點信心把關，使關節不可見時該次棄權，以類別無關的時間自相似性切成次數，轉成每次的生物力學特徵，對照族群適應規則引擎評等，再經確定性 RTM 政策閘門，並寫入在畫布儀表板上呈現的 FHIR 形態場次報告。每一項判決都是臨床醫師可詰問的平實 NumPy。

確定性生物力學引擎

信任核心，完全在任何語言模型之外。1-Euro 濾波器平滑 33-keypoint 的 BlazePose 風格串流，信心閘門在可見性閾值以下棄權，類別無關分段依時間自相似性找出次數，每一次產出關節角度與 ROM、膝外翻指數、下降對上升節奏比、Log Dimensionless Jerk 平滑度，以及 L 或 R 對稱指數。平實、經單元測試的程式碼，讓臨床醫師能確切看見某一次為何被標記。

RTM 政策閘門與 FHIR 形態報告

在模型之外，平實程式碼為每一場次決定：rtm_billable、needs_clinician_review，或 insufficient_device_data，對應到 CMS RTM 家族 CPT 98975 to 98981，再加上 2026 代碼 98979 與 98985。報告是鏡映 Observation 與 DocumentReference 欄位形狀的 FHIR 形態 JSON，含每次觀察、場次彙總、RTM 判定，以及 CMS 期望的文件。是 FHIR 形態，不是 FHIR 已驗證：Kinetiq 產出紀錄，它不向即時 EHR 發出 POST。

引擎每次量測什麼

訊號 它捕捉什麼 依據
關節角度與 ROM 峰值屈曲是否達到檔案目標，例如 ACL 術後 75 degrees，對健康促進運動員則是 95 degrees。 確定性
膝外翻指數 內側膝塌陷，復健膝的再傷風險，依檔案設定閾值（例如 ACL 術後 0.03）。 確定性
下降對上升節奏比 動作某段的代償性放慢或趕速（例如節奏高於 1.25）。 確定性
LDLJ 平滑度與 L 或 R 對稱 僅計次數會掩蓋的頓挫或不對稱動作品質。 確定性
信心閘門 關節低於可見性閾值，因此該次不予評分，而非指派臆造角度。 確定性，棄權

可選智能體：僅限於詮釋

在確定性核心之上，兩個可選、供應商可替換的智能體詮釋並傳達數字：Longitudinal Monitor 在趨勢惡化時草擬主動的臨床醫師升級，Clinical Scribe 草擬 RTM 註記。每一個都對照確定性證據做根據核驗，因此智能體引入、證據中沒有的任何數字都會被拒絕，改顯示確定性範本。兩者在沒有 API 金鑰時棄權。轉接器預設為 Claude claude-opus-4-8，並可切換到 OpenAI 或 Gemini，但評分閘門從不易手：智能體提供建議，程式碼作裁決。

畫面上的實作場次

四名誠實標註的患者：三名為合成（Maria、Jordan、Eleanor），一名（Aisha）是真實擷取的深蹲片段。沒有即時攝影機、沒有真實患者身分、沒有病歷。

在真實畫面中運行的管線

Aisha 是一段真實的徒手深蹲影片，關鍵點以 MediaPipe 離線抽出，再由同一引擎原樣評分，因此你最先看到的就是管線在真實畫面上誠實標註地運行。33-point 骨架疊加在實際片段上，面板依健康促進篩檢檔案為每一次評等。場次閘門回傳 rtm_billable，含 1 次核實、2 次標記，平均品質 8.3。

Kinetiq 為 Aisha——一段真實擷取的徒手深蹲片段——評分，33-point 骨架疊加在實際影片上，右側的單次表格顯示依健康促進篩檢檔案評等的一次良好動作與一次過淺動作。
Aisha：真實深蹲片段，關鍵點離線抽出，由與合成場次相同的引擎評分。

姿態模型會計入、臨床醫師不應採計的那一次

Maria 是合成的 ACL 術後患者，做 15 次處方深蹲。原始姿態函式庫會把全部 15 次記為次數。Kinetiq 為它們評等，在第 9 次回傳 KNEE VALGUS：膝外翻指數讀 0.054，達到或高於 0.03 閾值，峰值屈曲 78.6 degrees，節奏 1.4，高於 1.25 上限，是再傷風險警示而非良好次數。那就是整套論點濃縮成一列：價值不在計入該次，而在抓住那一次要緊的。

Maria 的 ACL 術後場次，單次分析表以紅色突顯第 9 次為 KNEE VALGUS，讀取膝外翻指數 0.054 達到或高於 0.03 為再傷風險，節奏 1.4 高於 1.25 為代償，周圍第 5 到 14 次讀 GOOD REP，第 12 次讀 NOT SCORED，髖部關鍵點低於可見性閾值。
第 9 次被標為膝外翻再傷風險，並顯示確切閾值條款；第 12 次因髖部不可見而棄權。

同一動作，依患者檔案得到不同判決

族群適應判斷不是口號；它會翻轉判決。把檔案從 Maria（ACL 術後，目標 75 degrees）切到 Jordan，企業健康促進運動員（目標 95 degrees），約 80 degrees 深度對 Maria 評為良好的深蹲，對 Jordan 評為 SHALLOW。同一動作得到不同判決，因為閾值綁定患者。在完整的 Jordan 場次中，即使有次數被標記，閘門仍回傳 rtm_billable，這是誠實的細微之處：可請款並不表示每一次都良好。

Jordan 的企業健康促進運動員場次，檔案為 wellness_athlete，單次表格中峰值屈曲約 80 degrees 的深蹲全部讀 SHALLOW，因為屈曲低於 95 degree 目標，而同一深度在 Maria 的 75 degree ACL 術後目標下評為良好。
族群適應翻轉：約 80 degrees 對 ACL 術後膝蓋是良好，對健康促進運動員則過淺。

可請款收據，以及將它轉送的棄權

Maria 的場次彙總為 13 次核實、1 次標記（第 9 次），以及 1 次因遮擋棄權，平均品質 9.6 out of 10。RTM 判定讀 needs_clinician_review，對應 CPT 98975 to 98981 再加上 2026 代碼 98979 與 98985：場次具請款資格，但外翻警示在任何自動請款前將它轉給臨床醫師，而該臨床醫師警示本身即記錄一項治療計畫決策。自此 FHIR 形態報告匯出為臨床醫師據以記錄 RTM 的可稽核證據。

Maria 的 RTM 判定模態視窗讀 NEEDS CLINICIAN REVIEW，CPT 98975 to 98981 RTM 家族再加上 2026 代碼 98979 與 98985，處方 15 次、核實 13、標記 1、因遮擋棄權 1，平均品質 9.6 out of 10，以及 Export FHIR Report 按鈕。
RTM 判定：具請款資格，但外翻警示在自動請款前將它轉給臨床醫師。

基準，誠實劃定範圍

跑固定標註集會浮現耐久結果。對照植入真實值的單次判決一致率，在 25 筆明確案例為 100 percent，在距離閾值約一個標準差的 10 筆臨界案例亦為 100 percent，每類一致率皆為 1.00。真實值是植入的物理參數對照檔案閾值，獨立於引擎計算，測量雜訊在標籤固定之後注入，因此引擎必須從雜訊中還原判決。誠實不變式是分開且經單元測試的：3 次被遮擋的動作中，3 次棄權，0 個臆造角度。這些是固定標註合成集上的任務準確度、吞吐量與誠實性，不是開放世界保證。

Kinetiq 基準摘要顯示指標卡：25 筆明確案例 100 percent 判決一致、距離閾值一個標準差內的 10 筆臨界案例 100 percent、3 of 3 被遮擋次數棄權且 0 個臆造角度，以及 4 場中 3 plus 1 場自動可請款或轉交審閱，下方每類一致率表對 good rep、shallow、not scored 與 knee valgus 皆讀 100 percent。
35 of 35 次在注入雜訊後還原達 100 percent，且 3 of 3 被遮擋次數棄權，於標註合成集上。

Kinetiq 坐落何處，以及它不在何處

它在關鍵點之後運行，疊在你已使用的任何姿態模型之上。它打造詮釋與證明層；它不與姿態估計器競爭。

關注點 原始姿態估計與次數計算 Kinetiq
第 9 次膝蓋內塌 被計為一次 被標為膝外翻再傷風險，並顯示閾值
關節出鏡 仍推斷出角度 棄權，該次不予評分，沒有臆造角度
同一深度，不同患者 人人同一固定閾值 綁定患者檔案的族群適應判決
請款證據 CMS 不會核銷的原始座標 可開立 RTM 帳單、對應 CPT 家族的 FHIR 形態場次報告
誰決定可否請款 未處理 任何模型之外的確定性政策閘門
姿態模型改進時的耐久性 全部價值在感測器，而感測器會商品化 價值在感測器之上的大腦與證明

本示範不做什麼

  • 它不使用即時攝影機或裝置端推論。關鍵點串流是為三種情境合成產生，或以 MediaPipe 從一段真實擷取片段離線抽出。行動擷取 SDK 與任何邊緣部署均延後。
  • 它不宣稱臨床級測角。單目膝角誤差為 9.3 to 21.9 degrees（Nature Scientific Reports, 2025），因此 Kinetiq 以 RTM 所需的粒度運作，並在低可見度次數上棄權，而非回報精確角度。
  • 場次報告是 FHIR 形態，不是 FHIR 已驗證，也不是 FHIR 合規。它鏡映 Observation 與 DocumentReference 的形狀；EHR 寫入是模擬轉接器，因此它產出、不 POST。
  • RTM 與 CPT 對應是協助記錄 RTM 的框架，不是請款認證、合規簽核，也不是核銷保證。
  • 評分路徑沒有 LLM，也沒有訓練過的深度模型。V1 是確定性特徵引擎；訓練過的 TCN 是同一單次介面背後已聲明的 V2 替換。可選智能體只負責詮釋，並經根據核驗。
  • 患者是誠實標註的測試案例，不是真實患者或客戶。三名（Maria、Jordan、Eleanor）為合成，一名（Aisha）是沒有真實身分或病歷的真實擷取深蹲片段。沒有客戶、部署、見證或宣稱的 ROI。
  • 100 percent 判決一致率與 3 of 3 棄權，是固定標註合成集上的量測，其中真實值是植入參數對照檔案閾值，不是開放世界或生產環境保證。

買方會問的問題

我們已經在跑 BlazePose 並計算次數。Kinetiq 多做了什麼？

姿態估計與次數計算是已商品化的部分。原始姿態函式庫會樂意在膝蓋於第 9 次內塌的患者身上，記錄 15 次良好深蹲。Kinetiq 是關鍵點之上的層：它依族群適應的臨床檔案為每一次評等，當關節不可見時棄權，並匯出臨床醫師可據以行動、可開立 RTM 帳單的 FHIR 形態場次報告。那層詮釋與證明，才是物理治療平台真正請款、臨床醫師真正據以行動的東西，而且它撐得過每一次姿態模型升級，而不是跟著老化淘汰。

它能量得夠準的關節角度來據以請款嗎？

我們不宣稱臨床級測角，並且在畫面上這麼說。單目膝角誤差的平均絕對誤差落在 9.3 to 21.9 degrees（Nature Scientific Reports, 2025），因此從單一攝影機宣稱度數精準的角度是陷阱。Kinetiq 以 RTM 實際所需的粒度運作——核實完成加上近似品質加上趨勢——並在低可見度次數上棄權，而非臆造精確角度。請款證據是核實、對應協定的場次紀錄，不是宣稱的確切關節角度。

報告是否 FHIR 合規，以及它能否寫入我們的 EHR？

它是 FHIR 形態，不是 FHIR 已驗證。場次報告是鏡映 FHIR Observation 與 DocumentReference 欄位形狀的結構化 JSON，承載每次觀察、場次彙總、RTM 判定與 CPT 家族，以及 CMS 期望的文件欄位。本示範中的 EHR 或 FHIR 寫入是模擬轉接器，因此 Kinetiq 產出紀錄，它不向即時伺服器發出 POST。這讓產物保持誠實：它是臨床醫師據以記錄的證據，為你會建置的下游 FHIR 整合塑形，不是經認證的 EHR 寫入。

我們實際上如何依此請款 RTM，核銷有保證嗎？

CMS 依 CPT 98975 to 98981 家族核銷遠距治療監測，再加上 2026 代碼 98979 與 98985，並要求綁定治療決策、由裝置蒐集的資料，而非原始座標。Kinetiq 的設計就是產出恰好那種證據：確定性政策閘門回傳 rtm_billable、needs_clinician_review，或 insufficient_device_data，而 FHIR 形態報告記錄裝置蒐集資料與治療決策連結。CPT 對應是協助你記錄 RTM 的框架，不是請款認證或核銷保證，被標記的場次在自動請款前會轉給臨床醫師。

AI 正在為患者的運動形式評等。這要如何安全地辯護？

信任核心是確定性的，評分路徑裡沒有 LLM。每一項單次判決與 RTM 可否請款的判定，都是平實、經單元測試的 NumPy 程式碼，因此臨床醫師能確切詰問某一次為何被標記，例如第 9 次被標記是因為外翻指數 0.054 達到或高於 0.03，且節奏 1.4 高於 1.25。智能體提供建議，程式碼作裁決：兩個可選智能體只詮釋並傳達確定性證據，智能體引入、證據中沒有的任何數字都會被拒絕，改顯示確定性範本。那種可稽核性，正是以真相為品牌的公司的重點。

它需要即時攝影機或行動 SDK 嗎？今天能跑什麼？

本示範沒有即時攝影機，也沒有裝置端推論。關鍵點串流要不是為三種情境合成產生，就是以 MediaPipe 從一段真實擷取深蹲片段離線抽出，兩種情況都是樁式感測器。行動擷取 SDK 與任何邊緣部署均延後。今天能跑的是真正的詮釋與證明邏輯：1-Euro 平滑、信心閘門、類別無關次數分段、單次生物力學、族群適應規則、RTM 政策閘門，以及 FHIR 形態匯出，全部在筆電上免金鑰運行。

那些 100 percent 數字是真實世界準確度嗎？

不是，我們謹慎劃定範圍。100 percent 判決一致率是在 35 次的固定標註合成集上，25 筆明確與距離閾值約一個標準差的 10 筆臨界，真實值是植入的物理參數對照檔案閾值，獨立於引擎計算，引擎必須在標籤固定之後注入的測量雜訊中還原判決。臨界案例是鑑別壓力測試，因此這是真正的鑑別而非極端值的召回，但它不是開放世界保證。耐久量測是任務準確度、自動化吞吐量與誠實性，包括 3 of 3 被遮擋次數棄權且 0 個臆造角度，這些在姿態估計改進時仍然成立。

技術研究

本示範背後的研究——架構、核驗設計，以及企業藍圖。

完整方案

探索面向物理治療平台 & 企業健康促進的 AI 生物力學方案 →

打造你姿態模型之上的大腦

核實、族群適應的運動資料，附帶可請款收據。

若你的產品與臨床團隊正在摸索如何把原始姿態串流變成核實、可開立 RTM 帳單的運動資料，同時不過度宣稱臨床級角度，我們會真心想聽你們怎麼思考這件事。問題是全產業的，答案也會是。

運動核驗評估

  • ✓ 標出你的姿態串流需要詮釋、而不只是次數的位置
  • ✓ 依患者檔案定義族群適應閾值
  • ✓ 設定信心閘門，讓系統棄權而非猜測
  • ✓ 塑造臨床醫師可據以記錄、可開立 RTM 帳單的 FHIR 形態紀錄

與我們一起打造

  • ✓ 疊在任何姿態模型之上、確定性且經單元測試的生物力學引擎
  • ✓ 族群適應規則引擎與確定性 RTM 政策閘門
  • ✓ 對應 CPT RTM 家族的 FHIR 形態場次報告
  • ✓ 經根據核驗的智能體負責縱向註記，而非黑箱評分
透過 WhatsApp 聯繫 寄信給我們的團隊
WhatsApp
即時對話
預約通話
透過 Calendly 安排
電子郵件
[email protected]