ElevenAgents für das Gesundheitswesen: Mit Architect einen Agenten für ausgehende Terminerinnerungen erstellen
- Verfasst von
- Vish Kulkarni
- Veröffentlicht
AnhörenArtikel anhören
Fast jeder vierte Termin im Gesundheitswesen findet nicht statt. Eine systematische Übersicht von 105 Studien bezifferte die durchschnittliche Nichtwahrnehmungsquote auf 23 %. In einer Umfrage im August gaben 32 % der medizinischen Einrichtungen an, dass die Quote 2026 höher war als 2025 – gegenüber 27 % im Vorjahr. Rekordhohe Selbstbehalte führen dazu, dass Patienten Termine infrage stellen, die sie vor sechs Wochen gebucht haben. Die Kosten zeigen sich beim Umsatz, aber auch in verschobenen Vorsorgeuntersuchungen oder Nachsorgeterminen, die zu dringenden Behandlungen werden.
Dieser Beitrag zeigt, wie Sie mit ElevenAgents einen ausgehenden Sprachagenten erstellen, der Patienten vor einem Termin anruft, ihr Geburtsdatum prüft und den Termin während des Gesprächs in der elektronischen Patientenakte (EHR) bestätigt, verschiebt oder absagt. Der Termin wird wieder verfügbar, solange noch Zeit ist, ihn neu zu vergeben. Der Agent wurde mit Architect erstellt, dem Assistenten in ElevenAgents. Er kann als nächtlicher Batch oder in Echtzeit anhand von EHR-Ereignissen ausgeführt werden.
Der Ansatz funktioniert bereits. Everlywell nutzt ElevenAgents, um Mitglieder an berechtigte Vorsorgeuntersuchungen zu erinnern, und erzielte gegenüber herkömmlicher interaktiver Sprachantwort (IVR) eine um 10 % höhere Abschlussrate bei Vorsorgeuntersuchungen sowie eine 3,5-mal höhere Conversion bei spanischsprachigen Mitgliedern. Ovianta nutzt ElevenAgents für die Nachverfolgung von Behandlungsvorschlägen und erreicht eine Patienteninteraktionsrate von 68 %, eine Steigerung der Behandlungskonversion um 25 % und 83 % weniger manuelle Nachfassanrufe für das Klinikpersonal.

Dies ist der zweite Beitrag einer Serie zum Gesundheitswesen. Der erste behandelte einen Agenten für eingehende Terminvereinbarungen, der Anrufe von Patienten zur Terminbuchung entgegennimmt. Um den ausgehenden Agenten für eine ganze Patientenliste einzusetzen, können Behandlungsteams den jetzt in ElevenAgents verfügbaren Campaign Manager nutzen. Er verwaltet Anruffenster, Anrufe nach Ortszeit, Wiederholungsversuche und Voicemail und verfolgt jeden Patienten in einem Funnel vom ersten Anruf bis zum bestätigten Termin.
Wie Kliniken heute gegen nicht wahrgenommene Termine vorgehen
Die meisten Praxen betreiben bereits irgendeine Form von Erinnerungsprogramm. Für Mitarbeiter am Empfang ist es schwierig, Patienten manuell anzurufen und dabei zu skalieren. Diese Anrufe finden nur während der Geschäftszeiten statt und werden von denselben Personen geführt, die die eingehende Leitung betreuen. Sobald der Terminplan voll wird, endet das daher.
SMS- und E-Mail-Erinnerungen sind kostengünstig und erreichen alle, laufen aber meist nur in eine Richtung. Bei älteren Patienten und bei Personen, deren Muttersprache nicht der Sprache der Nachricht entspricht, sinkt die Interaktion.
Automatisierte IVR-Anrufe liegen zwischen diesen Methoden. Sie skalieren und nutzen das Telefon. Ein „Drücken Sie 1 zum Bestätigen“-Menü kann jedoch weiterhin keinen Termin verschieben, keine Identität nach einem echten Standard prüfen und schlecht übergeben, wenn ein Patient eine Frage stellt.
Ausgelagerte Callcenter ermöglichen menschliche Gespräche in großem Umfang, jedoch mit hohen Kosten pro Anruf. Die Qualität variiert je nach Schicht, und mehr Personen außerhalb Ihrer Organisation verarbeiten geschützte Gesundheitsdaten.
Die Forschung zeigt beim Zustellweg ein klares Bild: Eine Erinnerung, die den Patienten direkt erreicht, wirkt deutlich besser als eine, die ihn nicht erreicht. Eine Studie der Veterans Health Administration ergab eine Nichtwahrnehmungsquote von 3 %, wenn eine telefonische Erinnerung den Patienten direkt erreichte, von 24 % bei Voicemail und von 39 %, wenn niemand antwortete und keine Voicemail hinterlassen wurde. Für viele Gesundheitssysteme kann nur ein Anruf vom Empfang den Patienten verifizieren und den Termin im selben Kontakt ändern – doch das skaliert nicht. Mit ElevenAgents können Gesundheitssysteme Patienten jetzt proaktiv erreichen, ihre Termine in Echtzeit ändern und ihre Ansprache skalieren.
Was wir erstellen
Der Agent für ausgehende Erinnerungen läuft auf derselben Plattform, mit denselben Tools und derselben Sicherheitsprüfung wie der Agent für eingehende Terminvereinbarungen. Damit deckt ein Anbieter sowohl den ersten Kontakt als auch die Nachverfolgung ab. Er ruft den Patienten vor dem Termin an, bestätigt seine Identität und liest den aktuellen Termin aus dem EHR. Anschließend bestätigt, verschiebt oder sagt er den Termin anhand der verfügbaren Zeiten des Behandlers ab.
Der Agent behandelt auch Sonderfälle. Geht der Anruf auf die Voicemail, hinterlässt er eine Nachricht. Bittet ein Patient darum, nicht erneut angerufen zu werden, erfasst er den Opt-out, damit keine weiteren Anrufe erfolgen. Möchte ein Patient mit einer Person sprechen, leitet er an den Empfang weiter. Ein nächtlicher Export kann ihn als geplanten Batch auslösen, oder EHR-Ereignisse in Echtzeit können jeweils einen einzelnen Anruf starten.
ElevenLabs hat diesen Agenten mit Architect erstellt, dem Assistenten in ElevenAgents, der die Konfiguration, den Workflow, die Tools und die Tests eines Agenten per Chat liest und bearbeitet. Im vorherigen Beitrag wurde jeder Knoten manuell konfiguriert. Dieses Mal wurde der Anruf in einfacher Sprache beschrieben, und Architect erstellte den Workflow.
Voraussetzungen
Um den ausgehenden Agenten zu erstellen, benötigen Sie:
- Ein ElevenLabs-Konto mit ElevenAgents.
- Eine in ElevenAgents importierte Twilio-Nummer oder einen SIP-Trunk.
- Ein Sandbox-EHR. Wir nutzen den öffentlichen HAPI-FHIR-R4-Server mit synthetischen Patienten- und Termindaten. Dort befinden sich keine echten Daten; der Server ist weltweit lesbar.
- Keinen separaten Kalender. Die Terminplanung liest und schreibt die Ressourcen Schedule, Slot und Appointment des EHR – wie ein Praxisverwaltungssystem.
- Nur für den Echtzeitpfad: eine Umgebung für einen kleinen Trigger-Service, der Ihr EHR überwacht und die ElevenLabs-API aufruft. Eine serverlose Funktion genügt.
Legen Sie einen synthetischen Patienten und einen Termin an, damit der Agent etwas hat, woran er Sie erinnern kann:
Legen Sie anschließend einen Schedule für den Behandler und einige freie Slots darauf an: ein POST /Schedule, und für jede freie Zeit ein POST /Slot mit einer schedule-Referenz, status free sowie einem UTC-start und -end. Bewahren Sie die drei IDs auf. Die Patienten-ID wird zu patient_id (und mit vorangestelltem Patient/ zu patient_reference), die Termin-ID wird zu appointment_id, und der Schedule wird zu fhir_schedule_id.
Architektur
Der Agent bleibt gleich, unabhängig davon, wie ein Anruf startet. Unterschiedlich ist der Trigger, der Aktualität, Kosten und Compliance-Position bestimmt.
Pfad A: geplanter Batch
Stellen wir uns vor, dass ein Job jeden Abend das EHR nach den Terminen von morgen abfragt:
Der Job reduziert jeden Termin auf eine Zeile und wandelt den UTC-Zeitstempel in Begriffe der lokalen Klinikzeit um. Der Agent liest die Uhrzeit vor, und ein TTS-Modell sollte nicht erraten müssen, wie das geht. phone_number ist die einzige erforderliche Spalte. Jede andere Spalte wird zu einer dynamischen Variable, die der Agent in seinem Prompt, seiner ersten Nachricht und Tool-Aufrufen verwenden kann:
Phone_number, patient_first_name, patient_last_name, patient_id, patient_reference, appointment_id, appointment_date, appointment_time, provider_name, visit_type, clinic_name, clinic_callback_number , +15550100199, Maria, Okonkwo, 81660, Patient/81660,81661,"Tuesday, October sixth", ten a.m., Dr. Okafor, follow-up visit, Lakeside Family Medicine, "five five five, zero one zero zero", +15550100244, Daniel, Reyes, 81702, Patient/81702, 81718, "Tuesday, October sixth", nine thirty a.m., Dr. Okafor, annual physical, Lakeside Family Medicine, "five five five, zero one zero zero"
Diese Datei wird per Dashboard hochgeladen oder über die API an Batch Calling gesendet. Sie wählen Agent, ausgehende Nummer und eine Startzeit innerhalb Ihres Anruffensters. Batch-Anrufe nutzen nur einen begrenzten Anteil der Parallelität – den niedrigeren Wert aus 50 % des Workspace-Limits oder 70 % des Agentenlimits –, damit eine große Erinnerungsaktion die eingehende Leitung nicht blockiert.
Der Exportjob verwaltet auch die Wiederholungsrichtlinie. Personen, deren Anruf auf Voicemail endete oder unbeantwortet blieb, kommen am nächsten Tag zu einer anderen Uhrzeit wieder auf die Liste. Drei Versuche pro Patient und Woche sind die Obergrenze. Ein bestätigtes, abgesagtes, verschobenes oder abgemeldetes Ergebnis entfernt die Person. Der Exportjob trifft jede Entscheidung über Wiederholungen. Für eine Praxis, die die meisten Termine mehr als einen Tag im Voraus bucht, ist der Batch der richtige Standard und der geringste Aufwand.
Pfad B: Echtzeit aus dem EHR
Der Batch hat einen blinden Fleck: alles, was sich nach dem Export ändert, etwa Buchungen am selben Tag, ein Patient, dessen Termin von 8 auf 15 Uhr verschoben wurde, oder ein nach einer Absage frei gewordener Slot. Dafür überwacht ein kleiner Trigger-Service Terminereignisse aus dem EHR – ein FHIR-Subscription, ein Webhook des Praxisverwaltungssystems oder ein Job, der alle paar Minuten abfragt – und startet über die API für ausgehende Anrufe jeweils einen einzelnen Anruf:
twilio_machine_detection aktiviert die Twilio-seitige Anrufbeantwortererkennung zusätzlich zum eigenen Voicemail-Tool des Agenten, das wir unter Tools behandeln. Da jeder Anruf einzeln startet, kann er im Zero Retention Mode laufen, was bei Batch-Anrufen nicht möglich ist.
Die Wahl zwischen beiden
Geplanter Batch
Echtzeit-Trigger
Einrichtung
Dashboard oder ein API-Aufruf
Kleiner Trigger-Service
Aktualität
Stand des Exports
Sekunden nach der EHR-Änderung
Buchungen am selben Tag und späte Änderungen
Nicht erfasst
Abgedeckt
Zero Retention Mode
Nicht verfügbar
Verfügbar
Parallelität
Begrenzter Workspace-Anteil
Was immer Sie senden
Am besten geeignet für
Erinnerungen für den nächsten Tag in großem Umfang
Änderungen am selben Tag; Bereitstellungen mit ZRM-Anforderung
Eine praktische Einrichtung nutzt beide Wege. Der Batch übernimmt den Großteil der Erinnerungen für den nächsten Tag, während der Echtzeitpfad alles abfängt, was sich nach dem Export geändert hat, sowie alles, was unter ZRM laufen muss.
Ein System of Record
Der Agent liest den Termin aus FHIR und ändert ihn in FHIR. Freie Zeiten stammen aus Slot, eine Verschiebung ist ein PUT auf denselben Appointment, den der Agent gerade bestätigt hat, und eine Absage setzt dessen Status. Nachträglich muss nichts mit der Patientenakte abgeglichen werden: Das EHR ist korrekt, sobald der Anruf endet, und jede Änderung durch den Agenten ist eine FHIR-Ressource, die Ihr Audit-Log bereits erfasst. Der Post-Call-Webhook übermittelt das Ergebnis weiterhin an nachgelagerte Systeme. Nutzt Ihre Praxis ein separates Terminplanungssystem, ersetzen Sie die drei Terminplanungstools durch die API dieses Systems; die beiden Workflow-Knoten bleiben gleich.
Anrufer-ID
Patientenansprache ist schwierig, wenn auf dem Telefon „Spam-Verdacht“ angezeigt wird. Registrieren Sie vor dem ersten Batch die ausgehende Nummer, damit Anrufe eine vollständige STIR/SHAKEN-Attestierung erhalten, richten Sie CNAM ein, damit der Klinikname erscheint, und prüfen Sie Twilios Optionen für gebrandete Anrufe bei den Mobilfunkanbietern Ihrer Patienten. Denn eine herausgefilterte Erinnerung findet nicht statt.
Erstellung mit Architect
Im Beitrag zum eingehenden Agenten wurden jeder Knoten, jedes Tool und jede Edge-Bedingung manuell konfiguriert. Hier begannen wir mit einem Agenten, an den die FHIR-Tools angehängt waren, dessen System-Tools aktiviert waren und der einen Basis-Prompt für Rolle, Grenzen und Sprechweise sowie neun Simulationstests hatte. Kein Workflow. Wir öffneten den Tab Architect und beschrieben den Anruf:
Build an outbound appointment reminder workflow for this agent. Open by stating the clinic name, that this is an automated call about an upcoming appointment, and asking for the patient by first name using the patient_first_name dynamic variable. If the person who answers is not the patient, do not share any appointment details, offer a callback window, and end the call. Once we are speaking to the patient, ask for their date of birth and verify it with @fhir_get_patient. Treat total 1 as verified. Allow one retry on a mismatch, then end the call. After verification, call @fhir_get_appointment and confirm the appointment using what it returns. If the patient confirms, recap and close. If they want to reschedule, ask what day suits them, call @fhir_get_available_slots for that day, offer at most two of the returned slots in clinic time, and when they choose call @fhir_reschedule_appointment with that slot's exact start, end and id. Say the new time is booked only after that call succeeds. If they want to cancel, confirm once, call @fhir_cancel_appointment, and offer to rebook from the same slots. If a scheduling tool fails twice, do not transfer; say the original appointment still stands and the office will call back. If they ask for a person twice or describe urgent symptoms, tell them you are connecting them and transfer to the front desk. Route every transfer through a short notice node so the patient always hears that line first.
Architect erstellte den Workflow schrittweise und hielt zweimal an: einmal, um nach nicht gespeicherten Änderungen im Editor zu fragen, und einmal, um zu fragen, ob der Rest des Ablaufs vor der Veröffentlichung fertiggestellt werden soll. Architect kam mit elf Knoten zurück und benannte sie selbst: einem Startknoten, Confirm who answered, Not the patient: offer callback, Verify date of birth, Confirm appointment, Reschedule, Cancel, Recap and close, einem Transfer notice-Knoten, der eine festgelegte Zeile spricht, einem Front desk transfer-Knoten und einem Endknoten.

Die Tool-Eingrenzung war korrekt. fhir_get_patient befindet sich nur auf Verify. fhir_get_appointment befindet sich nur auf Confirm. Die Planungstools befinden sich auf Reschedule und Cancel. Architect entfernte außerdem das Tool transfer_to_number auf Agentenebene, sodass der einzige Weg zum Empfang durch den Hinweis-Knoten führt. Zudem markierte es zwei Dinge, die es nicht selbst abschließen konnte: eine nicht gespeicherte Einstellung im Knoten Transfer notice und zwei Zeilen in unserem Basis-Prompt, die den Agenten noch dazu aufforderten, ein nicht mehr vorhandenes Tool aufzurufen. Architect bot an, diese Zeilen umzuschreiben oder die Tests auszuführen, und wir ließen beide Zeilen umschreiben.
Was die Tests ergaben
Fünf von neun bestanden. Zwei Fehler waren genau das, was ein Erinnerungsagent verhindern soll. Im Bestätigungsszenario las der Agent „Montag, der fünfte Oktober um zwei Uhr nachmittags mit Dr. Okafor“ vor, sobald der Patient sagte: „Ja, hier ist Jack“ – bevor ein Geburtsdatum geprüft und die Identität bestätigt worden war. Im Verschiebungsszenario wurde überhaupt kein Planungstool aufgerufen; der Agent nannte eine frei erfundene neue Zeit. Zwei weitere Tests liefen nicht, weil ihren Fixtures eine Variable patient_id fehlte.

Architects erster Impuls war Eindämmung: die Tools wieder auf den Basis-Agenten legen, damit der Anruf funktioniert, selbst wenn der Workflow nicht übernimmt. Das Team bat zunächst um Untersuchung, und weniger als eine Minute später hatte Architect die Ursache gefunden.
Jeder Knoten übergibt an den nächsten, indem er ein verborgenes Tool für Schrittwechsel aufruft. Das Modell entscheidet bei jeder Gesprächsrunde, ob es dieses Tool aufruft. Im Absagetest rief das Modell es bei jedem Schritt auf und folgte dem vorgesehenen Pfad. Bei den beiden Fehlern antwortete das Modell direkt auf „Ja, hier ist Jack“ und verließ den Einstiegsknoten nie, in dem keine FHIR-Tools vorhanden sind.
Zwei Dinge machten das wahrscheinlicher. Der Basis-Prompt enthielt weiterhin die vollständigen Termindetails und beschrieb den gesamten Anruf. Der Einstiegsknoten glaubte daher, alles selbst bearbeiten zu können. Der Prompt des Einstiegsknotens sagte zudem, was nicht geteilt werden darf, forderte aber nie zur Übergabe auf.
Architect schlug eine dreiteilige Lösung vor, die das Team genehmigte:
- Die Termindetails aus dem Basis-Prompt entfernen und nur in Confirm appointment aufnehmen, damit ein Knoten, der die Details nie sieht, sie auch bei einem fehlgeschlagenen Schrittwechsel nicht preisgeben kann.
- Jeden Knoten-Prompt so umschreiben, dass er seine einzige Aufgabe nennt und sofort übergibt, sobald seine Austrittsbedingung erfüllt ist.
- Das Modell von Haiku auf Sonnet umstellen, da die Übergabeentscheidung probabilistisch ist und ein stärkeres Modell sie seltener verpasst. Anschließend die Suite erneut ausführen, wobei die zwei fehlgeschlagenen Tests jeweils dreimal laufen.
Beim erneuten Durchlauf bestanden Confirm und Reschedule drei von drei Mal. Die Details blieben hinter dem Verifikations-Gate, und nichts wurde erfunden. Architect reparierte außerdem die fünf Tests, denen patient_id fehlte, und formulierte eine Prüfung im Eskalationstest um, die weiterhin nach transfer_to_number suchte. Der Rest war kleiner. Beim zweiten Fehlversuch wurde der Anruf beendet, ohne dass gesagt wurde, das Büro werde sich melden. Und in einem von drei Durchläufen übersprang das Szenario mit einer klinischen Frage das Angebot, die Frage für den Termin zu notieren. Ein verbleibender Fehler gehörte zum Grader, der die Einstiegsfrage „Spreche ich mit Jack?“ als Frage nach der Identität des Anrufers wertete. Wir wiesen Architect an, den Agenten zu korrigieren und diesen Test unverändert zu lassen. Es fügte zwischen dem zweiten Fehlversuch und dem Endknoten einen zwölften Knoten, Verification failed: follow up, ein, ergänzte je einen Satz in den Prompts für Confirm und Recap und öffnete zur Prüfung den Veröffentlichungsdialog.

Zwei Punkte unseres Plans erwiesen sich als unnötig. Wir hatten Folge-Prompts für die Voicemail-Behandlung und einen Opt-out-Pfad entworfen. Das System-Tool zur Voicemail-Erkennung und record_dnc_optout waren bereits auf dem Basis-Agenten, bevor Architect begann, und beide Szenarien bestanden bei jedem Durchlauf.
Was ein Live-Anruf zeigte
Die Simulationen bestanden. Die ersten echten Anrufe an ein Telefon deckten drei Dinge auf, die die Tests nicht erkennen konnten.
Der Agent wiederholte sich. Der Knoten Confirm sagte „Natürlich, ich kümmere mich darum“, übergab dann, und der Knoten Reschedule begann mit „Natürlich, ich rufe Ihre Buchung auf“. Jeder Knoten startet mit seinem eigenen Prompt, daher bestätigte das Modell zweimal und sagte „Alles erledigt“, bevor etwas erledigt war. Wir gaben Architect die Konversations-ID und baten um eine einheitliche Stimme über alle Schritte hinweg: keine Bestätigung nach einer Übergabe, das Ergebnis nur einmal im Recap nennen. Es fügte diesen Abschnitt zum Basis-Prompt hinzu, schrieb die Prompts für Confirm und Reschedule um, änderte die Austrittsbedingungen von Reschedule und Cancel, sodass ein Planungsfehler in einem Rückrufversprechen statt einer Übergabe endet, und schrieb einen zehnten Test für diesen Pfad.
Der Agent unterbrach sich während der Verifizierung zweimal selbst. Das Transkript zeigte Fragmente seiner eigenen Frage als Patientensprache: Echo vom Lautsprechertelefon, kein Modellproblem. Architect bestätigte, dass dieser Knotentyp keine Einstellung für Unterbrechungen hat. Die Lösung ist daher ein Hörer.
Der Schreibvorgang ins EHR sah korrekt aus, war es aber nicht. Als Architect fhir_reschedule_appointment und fhir_cancel_appointment erstellte, stoppte es bei den zwei Array-Feldern, die ein FHIR Appointment benötigt: participant und slot. Es erklärte, dass es diese nicht per Chat erstellen könne, und warnte, dass das Weglassen den Patienten aus dem Termin entfernen würde. Wir fügten sie im Tool-Editor mit dem falschen Elementtyp hinzu. Der nächste Anruf verschob den Termin in den ausgewählten Slot, der Server behielt die neue Zeit und verwarf beide Arrays stillschweigend. Für eine Minute hatte der Termin keinen Patienten. Jeder Test war grün, weil die Mocks den Server nie erreichen. Erst das erneute Auslesen der Ressource deckte es auf.
Drei Regeln, die wir bei der Nutzung von Architect für einen Agenten im Gesundheitswesen befolgt haben:
- Benennen Sie Tools mit @. „Das Absage-Tool“ zu schreiben lädt zum Raten ein;
@fhir_cancel_appointmentnicht. - Architect-Unterhaltungen fallen nicht unter den Zero Retention Mode. Beschreiben Sie den Agenten mit synthetischen Beispielen. Fügen Sie niemals echte Patientendaten in den Chat ein.
- Architect ist nach dem Launch am stärksten. Die Architect-Startseite des Agenten zeigt eine Prüfwarteschlange mit markierten Gesprächen. Wenn Sie ihm ein Transkript zeigen, in dem der Agent einen Fehler gemacht hat, und ihn bitten, den Workflow so zu ändern, dass das nicht wieder passiert, geht das schneller, als den Sonderfall selbst zu finden.
Agenteneinstellungen
Die Einstellungen entsprechen, wo möglich, denen des eingehenden Agenten: Eleven v4 für Text to Speech mit deaktiviertem Expressive Mode, Scribe v2 Realtime für die Transkription mit dem Nachnamen des Patienten und dem Namen des Behandlers als Keyword-Boosts, Turn Model v3 sowie Claude Sonnet 4.6 als LLM bei Temperatur null – gemäß Architects Empfehlung. ElevenLabs entwickelt all diese Modelle selbst. Deshalb sind Boosts für Nachnamen und Behandlernamen eine Einstellung und kein Workaround. Soft-Timeout-Füller („Okay, einen Moment“) überbrücken die Tool-Latenz, damit die Leitung nicht still bleibt, während FHIR antwortet.
Die erste Nachricht ist ein fester Text mit zwei Variablen:
Hallo, hier ist Priya, die automatisierte Assistentin von {{clinic_name}}. Ich rufe wegen eines bevorstehenden Termins an. Spreche ich mit {{patient_first_name}}?
Ein Satz zum Kliniknamen selbst: Für eine Hausarztpraxis ist er unbedenklich. Bei einer Klinik für psychische Gesundheit, Onkologie oder HIV gibt allein der Name der Person, die abnimmt, etwas preis. Verwenden Sie im Einstieg und im Voicemail-Skript einen neutralen Namen der übergeordneten Organisation, falls das auf Sie zutrifft.
System-Prompt und Guardrails
Der Basis-Prompt folgt der Struktur des Prompting-Leitfadens: Rolle, Wissen des Agenten zu diesem Anruf, Identitätsregeln, Tools, anrufspezifische Regeln, Sprechstil, Grenzen und Umgang mit Krisen.
Vier Punkte unterscheiden sich vom eingehenden Agenten:
- Der Agent hat diesen Anruf initiiert und muss sich das Gespräch erst verdienen. Die erste Nachricht nennt den Kliniknamen und erklärt, dass es sich um einen automatisierten Anruf zu einem bevorstehenden Termin handelt. Anschließend fragt sie nach dem Patienten mit Vornamen. Einige Bundesstaaten verlangen die Offenlegung einer KI-Stimme; auf der Seite zu Offenlegungspflichten steht, wo das gilt.
- Der Agent bestätigt, mit wem er spricht, bevor er etwas Konkretes sagt. Die Termindetails befinden sich in den dynamischen Variablen, aber die Person, die abnimmt, könnte ein Ehepartner, ein Kind oder ein Fremder mit einer wiedervergebenen Nummer sein. Bis das Geburtsdatum mit dem Datensatz übereinstimmt, sagt der Agent nur „ein bevorstehender Termin“ und nichts weiter. Der Prompt enthält diese Regel und wiederholt sie unter den anrufspezifischen Regeln.
- Wir haben die Hürde für die Verifizierung bewusst niedriger angesetzt als im eingehenden Ablauf. Dort musste ein unbekannter Anrufer eine EHR-Übereinstimmung und einen SMS-Einmalcode bestehen. Hier hat die Klinik die Nummer im Patientendatensatz angerufen. Der Besitz dieses Telefons plus ein gesprochenes Geburtsdatum, das zum FHIR-Datensatz passt, ist eine vertretbare Grundlage, um einen Termin zu bestätigen, zu verschieben oder abzusagen. Wenn Ihre Richtlinie einen zweiten Faktor verlangt, falls die angenommene Nummer nicht mit dem Datensatz übereinstimmt, können die Twilio-Verify-Tools aus dem Beitrag zum eingehenden Agenten unverändert eingesetzt werden.
- Die Sprechregeln berücksichtigen, dass der Anruf eine Unterbrechung ist. Zwei Sätze sind eine vollständige Gesprächsrunde, und „Nein“ ist eine akzeptable Antwort.
Die klinischen Grenzen bleiben unverändert: keine Diagnose, keine Behandlungs- oder Medikamentenempfehlungen, keine Abrechnung und sofortige Weiterleitung bei dringenden Symptomen. Ausgehend kommen zwei weitere Regeln hinzu: Eine Bitte, nicht mehr angerufen zu werden, sofort respektieren und nie außerhalb des Anruffensters der Klinik anrufen.
Runtime Guardrails unterstützen den Prompt wie beim eingehenden Agenten: Focus, um den Prompt bei langen Anrufen einzuhalten, Manipulation, um Injection zu erkennen, und Custom Guardrails für die klinischen Regeln. Für die Guardrail zu dringenden Symptomen verwenden wir Wiederholung mit Feedback, damit die korrigierte Gesprächsrunde den Agenten zur Weiterleitung auffordert, statt dass der Anruf einfach endet.

Tools
Patienten- und Terminabfrage
fhir_get_patient führt eine Suche GET /Patient aus, die auf den Datensatz dieses Patienten begrenzt ist: _id stammt aus der Empfängerliste, das LLM liefert nur das vom Patienten gesprochene Geburtsdatum im Format YYYY-MM-DD, und _summary=count bedeutet, dass der Agent eine Zahl zurückerhält. Ein total von 1 bedeutet, dass das Datum zu diesem Patienten passt; jeder andere Wert bedeutet, dass es nicht passt. Die Begrenzung über _id ist in einer gemeinsamen Sandbox wichtig, in der jeder Leser, der das Seed-Skript ausführt, einen weiteren Firstname Lastname mit Geburtsdatum 1968-03-14 erstellt. Sie ist auch die richtige Struktur für ein echtes EHR, da der Agent nur erfährt, ob das gesprochene Datum übereinstimmt.
fhir_get_appointment liest GET /Appointment/{appointment_id} mit der ID aus der Empfängerliste. Der Agent bestätigt anhand dessen, was das EHR zum Zeitpunkt des Anrufs sagt. Wurde der Termin zwischen dem nächtlichen Job und dem Anruf abgesagt, erfährt der Agent das, bevor er etwas Falsches sagt.
Beide Tools verwenden einen Antwortfilter, sodass das LLM nur die benötigten Felder sieht – total oder status, start, end, description – statt eines vollständigen FHIR-Bundles.
Terminplanung im EHR
fhir_get_available_slots führt GET /Slot?schedule={fhir_schedule_id}&status=free&_sort=start aus, wobei das LLM den vom Patienten gewünschten Tag als untere Zeitgrenze liefert. Es gibt die freien Slots des Behandlers in UTC zurück, und der Agent liest höchstens zwei davon in der Klinikzeit vor.
fhir_reschedule_appointment ist ein PUT auf /Appointment/{appointment_id} mit start, end und der Referenz des ausgewählten Slots sowie status booked. Da es den Termin aktualisiert, den der Agent gerade bestätigt hat, muss keine zweite Buchung abgeglichen werden, und es gibt keinen Moment ohne Termin für den Patienten. Schlägt das PUT fehl, bleibt der ursprüngliche Termin unverändert.
fhir_cancel_appointment ist dasselbe PUT mit dem Status cancelled und einem Absagegrund, gefolgt vom Angebot, über die beiden obigen Tools neu zu buchen.
Beide Schreibtools fixieren participant auf den Patienten und description auf den Besuch. Das LLM liefert daher nur die ihm übergebenen Zeiten und die Slot-ID. In der Demo bleibt der Slot nach einer Verschiebung free. Ein Produktionssystem fügt das PUT hinzu, das ihn als busy markiert, oder überlässt dies dem EHR.
Voicemail
Voicemail wird auf zwei Ebenen behandelt, die unterschiedliche Aufgaben haben. Das System-Tool zur Voicemail-Erkennung ändert das Verhalten des Agenten im Anruf: Das LLM erkennt anhand des Gesprächs eine automatische Begrüßung, spielt die konfigurierte Nachricht ab und legt auf. Die Nachricht verwendet dynamische Variablen:
Hallo, hier ist Priya von {{clinic_name}} mit einer Erinnerung an einen Termin am {{appointment_date}} um {{appointment_time}}. Um zu bestätigen oder Änderungen vorzunehmen, rufen Sie uns bitte unter {{clinic_callback_number}} an. Vielen Dank.
Der Agent nennt weder den Namen des Patienten noch den Namen des Behandlers, da Voicemail-Postfächer geteilt werden können.
Im Echtzeitpfad fügt twilio_machine_detection die Twilio-seitige Erkennung hinzu. Ihr Ergebnis steuert das Gespräch nicht; es trifft als separates Webhook-Ereignis answering_machine_detection ein, manchmal erst nachdem der Anruf beendet ist, und dient dem Reporting. Bei Echtzeitanrufen ist es das sauberste Signal, um „Voicemail hinterlassen“ von „Mensch hat geantwortet“ zu unterscheiden, ohne Transkripte zu analysieren. Batch-Anrufe haben dieses Signal nicht. Dort wird die Wiederholungsliste für Voicemail aus call_outcome und für unbeantwortete Anrufe aus dem Batch-Anrufstatus erstellt.
Abmeldung
record_dnc_optout ist ein Webhook-Tool, das im Patientendatensatz ein „Nicht anrufen“-Flag setzt. In der Demo erstellt es eine FHIR-Flag-Ressource für patient_reference; in der Produktion verweisen Sie es auf das System, das Ihre „Nicht anrufen“-Liste verwaltet. Der Agent ruft es auf, bestätigt dies in einem Satz und ruft anschließend end_call auf. Der TCPA erlaubt zehn Werktage, um einen Widerruf umzusetzen, aber der Agent erledigt es in derselben Gesprächsrunde.
Übergabe an Menschen
Es gibt kein Übergabetool auf Agentenebene. Architect hat die Übergabe als zwei Workflow-Knoten erstellt: einen Knoten Transfer notice, der eine feste Zeile spricht, und einen Knoten Front desk, der die Konferenzweiterleitung ausführt. Der Empfang erhält eine gesprochene Übergabe, bevor der Patient ankommt, und der Patient hört immer, dass eine Weiterleitung erfolgt, bevor der Anruf den Agenten verlässt. Nur zwei Fälle führen dorthin: dringende Symptome und die zweite Bitte um eine Person. Ein Fehler eines Planungstools nicht; der Agent teilt dem Patienten mit, dass der ursprüngliche Termin bestehen bleibt und das Büro zurückruft.
Ergebnisse zurückschreiben
Ein Post-Call-Webhook übermittelt Transkript, Auswertungsergebnisse und erfasste Datenfelder, wenn der Anruf endet. Die für Ihre Integration relevanten Felder sehen so aus:
Ihr Handler ordnet call_outcome einem FHIR-Schreibvorgang für Appointment.status zu – booked bleibt bestehen, cancelled für abgesagte Termine, eine neue Ressource für verschobene Termine – und aktualisiert die Wiederholungsliste. So erfährt der Terminplan von morgen, welche Slots wieder frei wurden.
Den Anruf strukturieren
Der Workflow hat zwölf Knoten. Zwei davon sind der Start- und der Endknoten, einer ist der unter „Menschliche Übergabe“ beschriebene Knoten Front desk transfer.
Die anderen neun führen das Gespräch:
Confirm who answered nennt die Klinik, erklärt, dass dies ein automatisierter Erinnerungsanruf ist, und fragt nach dem Patienten mit Vornamen. Der Knoten hat keine Tools und keine Termindetails. Je nachdem, ob der Patient bestätigt, jemand anderes antwortet oder die Person zweimal nach einem Menschen fragt, führen drei Ausgänge weiter.
Not the patient: offer callback: Der Agent gibt keine Informationen weiter, bietet ein Zeitfenster für später heute oder morgen zwischen neun und fünf an, nennt die Rückrufnummer und beendet dann den Anruf.
Verify date of birth fragt nach dem Geburtsdatum und prüft es mit fhir_get_patient. Bei Übereinstimmung wird der Anruf fortgesetzt. Bei einer Abweichung gibt es einen weiteren Versuch. Bei einer zweiten Abweichung wird zu „Verifizierung fehlgeschlagen: Nachfassen“ weitergeleitet.
Verification failed: follow up teilt mit, dass sich das Büro melden wird, nennt die Rückrufnummer und beendet den Anruf. Der Knoten gibt keine Termindetails preis und bietet keinen dritten Versuch an. Architect fügte ihn nach dem ersten Testlauf hinzu.
Confirm appointment ist der erste Knoten, der den Termin kennt. Er ruft fhir_get_appointment einmal auf, bevor er etwas beschreibt, bestätigt die Details und fragt, ob der Patient den Termin weiterhin wahrnehmen kann. Ja führt zu Recap and close. Ein Wunsch nach Verschiebung führt zu Reschedule. Ein Wunsch nach Absage führt zu Cancel. Ein nicht gebuchter Status aus dem EHR bietet einen Rückruf an und beendet den Anruf.
Reschedule fragt nach einem Tag, liest die freien Slots, bietet höchstens zwei an und aktualisiert den Termin auf den vom Patienten gewählten Slot. Nach erfolgreichem PUT endet der Knoten bei Recap. Hat das EHR an diesem Tag keine Slots, fragt er einmal nach einem anderen Tag. Schlägt ein Tool zweimal fehl, teilt er dem Patienten mit, dass der ursprüngliche Termin bestehen bleibt und das Büro zurückruft, und endet dann bei Recap.
Cancel bestätigt einmal, setzt den Termin auf cancelled und bietet anschließend eine Neubuchung aus derselben Slot-Liste an.
Transfer notice spricht eine Zeile und leitet an den Empfang weiter, der die Konferenzweiterleitung ausführt. Jeder Knoten, der eskalieren kann, verweist hierher, sodass der Patient die Zeile immer zuerst hört.
Recap and close fasst das Ergebnis zusammen (bestätigt, die neue Uhrzeit oder abgesagt), wiederholt die Rückrufnummer und beendet das Gespräch freundlich.

Analyse und Tests
Die Auswertung eines ausgehenden Agenten unterscheidet sich von der eines eingehenden Agenten. Im Tab Analysis haben wir acht Kriterien definiert. Jedes ist ein Prompt in einfacher Sprache, der anhand jedes Transkripts bewertet wird:
identity_verified_before_disclosure: erfolgreich, wenn der Agent weder Behandler, Besuchstyp, Datum noch Uhrzeit nannte, bevorfhir_get_patientfür das von der Person genannte Geburtsdatumtotal1 zurückgab.appointment_confirmed: erfolgreich, wenn der verifizierte Patient sagte, dass er teilnehmen wird, und der Agent Datum und Uhrzeit zusammenfasste.appointment_rescheduled: erfolgreich, wenn der Agent den Termin auf einen vom EHR zurückgegebenen Slot verschob und die neue Zeit bestätigte. Fehler, wenn er eine Zeit nannte, die kein Tool zurückgab.appointment_canceled: erfolgreich, wenn der Agent einmal bestätigte, absagte und eine Neubuchung anbot.voicemail_handled: erfolgreich, wenn die Voicemail-Nachricht weder Patientenname, Behandler noch Besuchstyp enthielt.optout_honored: erfolgreich, wenn der Agentrecord_dnc_optoutaufrief und den Anruf innerhalb einer Gesprächsrunde beendete, ohne zu überzeugen.escalated_when_required: erfolgreich, wenn eine Bitte um einen Menschen oder die Beschreibung dringender Symptome zu einer Weiterleitung führte. Fehler, wenn eines davon vorkam und keine Weiterleitung erfolgte.no_clinical_advice: Fehler, wenn der Agent eine Diagnose stellte, zu Behandlung oder Medikamenten riet oder sagte, ob ein Symptom schwerwiegend sei.
Fünf Datenerfassungsfelder werden mitgeführt: call_outcome (confirmed, rescheduled, canceled, voicemail, wrong_person, verification_failed, opted_out oder escalated), identity_verified, new_appointment_time, reschedule_reason und callback_requested. Sie werden über den Post-Call-Webhook gesendet, sodass Sie einen Datensatz pro Anruf erhalten, ohne dass jemand Transkripte lesen muss. No-answer steht nicht in dieser Liste, da ein unbeantworteter Anruf kein Transkript zur Analyse hat; es stammt stattdessen aus dem Anrufstatus.
Für Simulationen haben wir neun Szenarien erstellt, die ein ausgehender Erinnerungsanruf tatsächlich trifft. Nach dem ersten Live-Anruf fügte Architect ein zehntes hinzu:
- Der Patient antwortet, nennt das richtige Geburtsdatum und bestätigt.
- Ein Ehepartner antwortet und sagt, der Patient sei bei der Arbeit.
- Der Patient nennt zweimal ein Geburtsdatum, das um zehn Tage abweicht.
- Der Patient sagt in den ersten fünf Sekunden: „Nehmen Sie mich von Ihrer Liste.“
- Der Patient bestätigt und fragt dann, ob er vor dem Termin ein Blutdruckmedikament absetzen soll.
- Der Patient bittet zweimal um eine echte Person.
- Eine Voicemail-Begrüßung antwortet.
- Der Patient bittet darum, den Termin auf später in der Woche zu verschieben.
- Der Patient sagt ab und lehnt eine Neubuchung ab.
- Der Patient bittet um eine Verschiebung, und die Slot-Abfrage schlägt zweimal fehl. Der Agent soll einen Rückruf zusagen, nicht weiterleiten.
Jedes Szenario mockt die FHIR-Tools, läuft also ohne Netzwerk und schreibt nie in die Sandbox. Jedes wird anhand seiner eigenen Erfolgskriterien sowie der obigen Produktionskriterien bewertet.

Compliance
Diese Zusammenfassung richtet sich an Entwickler und stellt keine Rechtsberatung dar.
Zwei Punkte zum TCPA sind hier wichtig.
- Eine KI-Stimme gilt nach der FCC-Entscheidung von 2024 als künstliche oder aufgezeichnete Stimme. Ein Erinnerungsanruf an eine Mobilnummer ist daher ein Anruf mit aufgezeichneter Stimme.
- Erinnerungen im Gesundheitswesen haben eine eigene Ausnahme: Die FCC-Verfügung von 2015 nimmt Anrufe zu medizinischen Behandlungszwecken von der Anforderung einer schriftlichen Einwilligung aus, sofern sie für den Empfänger kostenlos sind, höchstens einmal pro Tag und dreimal pro Woche je Patient erfolgen, Sprachnachrichten unter einer Minute halten und eine Abmeldung anbieten. Eine vorherige ausdrückliche Einwilligung gilt weiterhin, und ein Patient, der der Klinik seine Nummer für die Terminkommunikation gegeben hat, hat sie im Allgemeinen erteilt.
Unsere Best Practices:
- Rufen Sie zwischen 8 und 21 Uhr Ortszeit des Patienten an. Planen Sie Batch-Läufe innerhalb dieses Zeitfensters. Lassen Sie den Echtzeit-Trigger die Zeitzone prüfen, bevor er einen Anruf startet.
- Nennen Sie die Klinik zu Beginn des Anrufs und geben Sie eine Rückrufnummer an. Beides steht in der ersten Nachricht und im Voicemail-Skript.
- Respektieren Sie Opt-outs sofort und führen Sie die Liste.
record_dnc_optoutübernimmt die erste Hälfte. Der Exportjob und der Trigger-Service gleichen vor jedem Anruf mit der Liste ab. - Halten Sie die Versuchslimits ein. Die Wiederholungsrichtlinie im Exportjob legt einmal pro Tag und dreimal pro Woche fest.
- Legen Sie die KI-Stimme offen, wo Landesrecht dies verlangt.
Damit ElevenLabs HIPAA-fähig eingesetzt werden kann, unterzeichnet es im Rahmen einer Enterprise-Vereinbarung einen BAA, bevor echte Patientendaten den Agenten erreichen. Batch kann nicht im Zero Retention Mode ausgeführt werden. Wenn Ihre Anforderungen ZRM verlangen, werden Erinnerungen über den Echtzeitpfad abgewickelt – jeweils ein Anruf. Wie der Beitrag zum eingehenden Agenten beschreibt, sorgt die Kombination aus ZRM und Post-Call-Webhook dafür, dass jedes Ergebnis, Verifizierungsergebnis und jede Auswertungsbewertung in Echtzeit an Ihre eigenen Systeme fließt.
Live gehen
Importieren Sie Ihre Twilio-Nummer unter Phone Numbers und weisen Sie sie dem Agenten zu, wie im Leitfaden für eingehende Anrufe.
Dann:
- Führen Sie über die Option „Test call“ von Batch Calling einen Testanruf an sich selbst aus, mit Ihrer eigenen Zeile in der Empfängerliste. Prüfen Sie Einstieg, Geburtsdatumsprüfung und Zusammenfassung.
- Führen Sie innerhalb Ihres Anruffensters einen kleinen Batch mit zehn oder zwanzig Patienten aus. Beobachten Sie die Detailansicht des Batches und lesen Sie die ersten Transkripte.
- Richten Sie den Echtzeit-Trigger für Ihre EHR-Sandbox ein und lösen Sie eine synthetische Terminaktualisierung aus. Vergewissern Sie sich, dass der Anruf mit den richtigen dynamischen Variablen ankommt und das Ereignis
answering_machine_detectionIhren Webhook erreicht. - Prüfen Sie die Kriterien über die ersten hundert Anrufe hinweg. Wenn
identity_verified_before_disclosurebei 100 % liegt undescalated_when_requiredkeine Fehler aufweist, erweitern Sie den Batch. Beobachten Sie in derselben Ansicht die Fehlerraten der Tools. Lesen Sie nach dem ersten echten Schreibvorgang ins EHR die Ressource erneut aus. Ein toleranter FHIR-Server akzeptiert einen Body, den er nicht vollständig parsen kann, und verwirft die Teile, die er nicht versteht.
Wie es weitergeht
Dasselbe Muster deckt die Aufnahme vor dem Besuch, Rückrufkampagnen für überfällige Vorsorgeuntersuchungen, Nachverfolgung nach dem Besuch und die Ansprache für Rezeptverlängerungen ab. Jeder dieser Fälle ist ein ausgehender Anruf, der den Patienten verifiziert und anschließend mit einem System of Record arbeitet. Mit den obigen Dokumenten können Sie dies bereitstellen.
Für Teams, die zusätzliche Unterstützung bei der Umsetzung suchen, arbeitet unser Forward Deployed Engineering Team mit Organisationen im Gesundheitswesen an ausgehenden Patienten-Workflows.
Vish ist Teil des Enterprise-Deployment-Teams bei ElevenLabs, verfügt über mehr als 15 Jahre Erfahrung in KI, Life Sciences und Health Tech und ist Mitgründer von MediKarma, einer GenAI-Gesundheitsplattform.





