ElevenAgents pour le secteur de la santé : concevoir un agent de rappel de rendez-vous sortant avec Architect
- Rédigé par
- Vish Kulkarni
- Publié
ÉcouterÉcouter cet article
Près d’un rendez-vous de santé sur quatre n’a jamais lieu. Une revue systématique de 105 études a établi le taux moyen d’absences à 23 %, et, dans un sondage d’août, 32 % des groupes médicaux ont déclaré que les taux étaient plus élevés en 2026 qu’en 2025, contre 27 % un an plus tôt. Des franchises record poussent les patients à reconsidérer des consultations réservées six semaines auparavant. Le coût se ressent sur les revenus, mais aussi lorsqu’un dépistage est retardé ou qu’un suivi se transforme en consultation urgente.
Cet article explique comment concevoir sur ElevenAgents un agent vocal sortant qui appelle les patients avant une consultation, vérifie leur date de naissance et confirme, reprogramme ou annule le rendez-vous dans le dossier de santé électronique pendant l’appel. Le créneau redevient disponible alors qu’il reste encore du temps pour le pourvoir. L’agent a été conçu avec Architect, l’assistant intégré à ElevenAgents, et peut fonctionner par lots chaque nuit ou en temps réel à partir d’événements du dossier de santé électronique.
Cette approche fonctionne déjà. Everlywell utilise ElevenAgents pour rappeler aux membres les dépistages auxquels ils sont éligibles et a constaté une amélioration de 10 % de la réalisation des dépistages par rapport à un serveur vocal interactif (SVI) traditionnel, avec un taux de conversion 3,5 fois supérieur chez les membres hispanophones. Ovianta utilise ElevenAgents pour assurer le suivi des propositions de traitement, atteignant un taux d’engagement des patients de 68 %, une hausse de 25 % de la conversion des traitements et une baisse de 83 % des appels de suivi manuels pour le personnel des cliniques.

Il s’agit du deuxième article d’une série consacrée à la santé. Le premier portait sur un agent de planification entrant qui répond lorsque les patients appellent pour prendre rendez-vous. Pour exécuter l’agent sortant sur toute une liste de patients, les équipes soignantes peuvent utiliser Campaign Manager, désormais intégré à ElevenAgents. Il gère les fenêtres d’appel, la numérotation selon l’heure locale, les tentatives et la messagerie vocale, et suit chaque patient dans un même entonnoir, du premier appel à la consultation confirmée.
Comment les cliniques luttent aujourd’hui contre les absences
La plupart des cabinets disposent déjà d’un programme de rappels. Les appels manuels des équipes d’accueil aux patients sont difficiles à déployer à grande échelle. Ces appels ne peuvent avoir lieu que pendant les heures d’ouverture, avec les mêmes personnes qui répondent à la ligne entrante ; ils cessent donc dès que le planning se remplit.
Les rappels par texto et email sont peu coûteux, peuvent atteindre tout le monde, mais fonctionnent généralement à sens unique. L’engagement baisse chez les patients âgés et chez les personnes dont la langue maternelle n’est pas celle du message.
Les appels automatisés par SVI se situent entre ces deux méthodes. Ils passent à l’échelle et utilisent le téléphone. Toutefois, un menu « appuyez sur 1 pour confirmer » ne peut toujours pas gérer une reprogrammation, vérifier réellement l’identité ni assurer correctement un transfert lorsqu’un patient pose une question.
Les centres d’appels externalisés permettent d’avoir des échanges humains à grande échelle, mais à un coût élevé par appel. Cette approche implique une qualité variable selon les équipes et davantage de personnes qui traitent des informations de santé protégées en dehors de votre organisation.
Les recherches convergent sur un point : un rappel qui joint directement le patient est bien plus efficace qu’un rappel qui ne le joint pas. Une étude de la Veterans Health Administration a constaté un taux d’absence de 3 % lorsqu’un rappel téléphonique joignait le patient directement, de 24 % lorsqu’il aboutissait sur la messagerie vocale et de 39 % lorsque personne ne répondait et qu’aucun message n’était laissé. Pour de nombreux systèmes de santé, seul un appel de l’accueil peut vérifier le patient et modifier le planning lors du même échange, mais cette solution ne passe pas à l’échelle. Avec ElevenAgents, les systèmes de santé peuvent désormais joindre les patients de manière proactive, modifier leur planning en temps réel et déployer leur démarche à grande échelle.
Ce que nous allons concevoir
L’agent de rappel sortant fonctionne sur la même plateforme, avec les mêmes outils et le même examen de sécurité que l’agent de planification entrant : un seul fournisseur couvre ainsi l’accueil et le suivi. Il appelle le patient avant la consultation, confirme son identité et lit le rendez-vous en temps réel dans le dossier de santé électronique. Il peut ensuite confirmer, reprogrammer ou annuler le rendez-vous selon les créneaux disponibles du praticien.
L’agent gère aussi les cas particuliers. Si l’appel aboutit sur une messagerie vocale, il laisse un message. Si un patient demande à ne plus être appelé, il enregistre son désabonnement afin qu’aucun autre appel ne soit passé. Si un patient souhaite parler à une personne, il le transfère à l’accueil. Une exportation nocturne peut le déclencher sous forme de lot planifié, ou des événements du dossier de santé électronique peuvent le déclencher appel par appel en temps réel.
ElevenLabs a conçu cet agent avec Architect, l’assistant intégré à ElevenAgents qui lit et modifie depuis un chat la configuration, le workflow, les outils et les tests d’un agent. L’article précédent configurait chaque nœud manuellement. Cette fois, l’appel a été décrit en langage naturel, puis Architect a conçu le workflow.
Prérequis
Pour concevoir l’agent sortant, vous aurez besoin de :
- Un compte ElevenLabs avec ElevenAgents.
- Un numéro Twilio importé dans ElevenAgents, ou un trunk SIP.
- Un dossier de santé électronique sandbox. Nous utilisons le serveur HAPI FHIR R4 public avec des dossiers patients et des rendez-vous synthétiques. Aucune donnée réelle n’est hébergée sur ce serveur, accessible en lecture à tous.
- Aucun calendrier distinct. La planification lit et écrit les ressources Schedule, Slot et Appointment du dossier de santé électronique, comme le ferait un système de gestion de cabinet.
- Uniquement pour le parcours en temps réel : un environnement où exécuter un petit service de déclenchement qui écoute votre dossier de santé électronique et appelle l’API ElevenLabs. Une fonction sans serveur suffit.
Créez un patient synthétique et un rendez-vous synthétique afin que l’agent ait un rappel à effectuer :
Créez ensuite un Schedule pour le praticien et quelques Slots libres : un POST /Schedule, et un POST /Slot par créneau avec une référence schedule, status free, ainsi qu’un start et un end en UTC. Conservez les trois ID. L’ID du patient devient patient_id (et, précédé de Patient/, patient_reference), l’ID du rendez-vous devient appointment_id, et le Schedule devient fhir_schedule_id.
Architecture
L’agent est identique quelle que soit la manière dont un appel commence. Ce qui diffère est le déclencheur, qui détermine la fraîcheur des données, le coût et la posture de conformité.
Parcours A : lot planifié
Imaginons que chaque soir, une tâche interroge le dossier de santé électronique pour récupérer les rendez-vous du lendemain :
La tâche transforme chaque rendez-vous en une ligne et convertit l’horodatage UTC en formulation locale à la clinique, car l’agent lit l’heure à voix haute et un modèle TTS ne devrait pas avoir à la deviner. phone_number est la seule colonne obligatoire. Chaque autre colonne devient une variable dynamique que l’agent peut utiliser dans son prompt, son premier message et ses appels d’outils :
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"
Ce fichier est envoyé à Batch Calling, chargé dans le Dashboard ou transmis via l’API. Vous choisissez l’agent, le numéro sortant et une heure de début dans votre fenêtre d’appel. Les appels par lots utilisent une part plafonnée des requêtes simultanées, la plus faible entre 50 % de la limite du Workspace ou 70 % de celle de l’agent, afin qu’une vaste campagne de rappels ne prive pas la ligne entrante de ressources.
La tâche d’exportation gère également la politique de nouvelles tentatives. Toute personne ayant abouti sur une messagerie vocale ou sans réponse revient dans la liste du lendemain à une autre heure. La limite est de trois tentatives par patient et par semaine ; un résultat confirmé, annulé, reprogrammé ou désabonné retire le patient de la liste. La tâche d’exportation prend toutes les décisions relatives aux nouvelles tentatives. Pour un cabinet qui réserve la plupart des consultations plus d’un jour à l’avance, le traitement par lots est le choix par défaut le plus simple.
Parcours B : en temps réel depuis le dossier de santé électronique
Le traitement par lots présente un angle mort : tout ce qui change après l’exportation, comme les réservations le jour même, un patient dont le rendez-vous passe de 8 h à 15 h, ou un créneau libéré après une annulation. Pour ces cas, un petit service de déclenchement écoute les événements de rendez-vous du dossier de santé électronique, une FHIR Subscription, un webhook du système de gestion de cabinet ou une tâche qui interroge le système toutes les quelques minutes, et passe les appels un par un via l’API d’appels sortants :
twilio_machine_detection active la détection des répondeurs côté Twilio en parallèle de l’outil de messagerie vocale de l’agent, que nous présentons dans la section Outils. Comme chaque appel démarre individuellement, il peut fonctionner en Mode zéro rétention, ce qui n’est pas possible avec les appels par lots.
Comment les choisir
Lot planifié
Déclencheur en temps réel
Configuration
Dashboard ou un appel API
Petit service de déclenchement
Fraîcheur
À la date de l’exportation
Quelques secondes après les changements dans le dossier de santé électronique
Réservations le jour même et changements tardifs
Non couverts
Couverts
Mode zéro rétention
Non disponible
Disponible
Requêtes simultanées
Part plafonnée du Workspace
Selon vos envois
Idéal pour
Rappels du lendemain à grande échelle
Changements le jour même ; déploiements nécessitant le ZRM
Une configuration pratique utilise les deux. Le traitement par lots prend en charge l’essentiel des rappels du lendemain, tandis que le parcours en temps réel gère les changements survenus après l’exportation et tout ce qui doit fonctionner sous ZRM.
Une source de vérité unique
L’agent lit le rendez-vous dans FHIR et le modifie dans FHIR. Les créneaux disponibles proviennent de Slot, une reprogrammation est un PUT sur le même Appointment que l’agent vient de confirmer, et une annulation modifie son statut. Rien n’est à rapprocher du dossier après coup : le dossier de santé électronique est juste dès la fin de l’appel, et chaque écriture de l’agent est une ressource FHIR déjà couverte par votre journal d’audit. Le webhook post-appel transmet toujours le résultat à tous les systèmes en aval. Si votre cabinet utilise un système de planification distinct, remplacez les trois outils de planification par l’API de ce système ; les deux nœuds de workflow restent identiques.
Identification de l’appelant
Contacter les patients est difficile si le téléphone affiche « Spam probable ». Avant le premier lot, enregistrez le numéro sortant afin que les appels bénéficient d’une attestation STIR/SHAKEN complète, définissez le CNAM pour afficher le nom de la clinique et examinez les options d’appels de marque de Twilio pour les opérateurs utilisés par vos patients, car un rappel filtré n’a pas lieu.
Le concevoir avec Architect
Dans l’article sur les appels entrants, chaque nœud, outil et condition de transition était configuré manuellement. Ici, nous sommes partis d’un agent avec les outils FHIR associés, les outils système activés, un prompt de base couvrant le rôle, les limites et la manière de s’exprimer, ainsi que neuf tests de simulation. Aucun workflow. Nous avons ouvert l’onglet Architect et décrit l’appel :
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 a conçu le workflow par étapes, avec deux pauses : une première fois pour demander quoi faire des modifications non enregistrées dans l’éditeur, puis pour savoir s’il fallait terminer le reste du flux avant la publication. Architect est revenu avec onze nœuds, qu’il a lui-même nommés : un nœud de départ, Confirm who answered, Not the patient: offer callback, Verify date of birth, Confirm appointment, Reschedule, Cancel, Recap and close, un nœud Transfer notice qui énonce une phrase fixe, un nœud Front desk transfer, et un nœud de fin.

Le périmètre des outils était correctement défini. fhir_get_patient est présent uniquement dans Verify. fhir_get_appointment est présent uniquement dans Confirm. Les outils de planification sont présents dans Reschedule et Cancel. Architect a également supprimé l’outil transfer_to_number au niveau de l’agent afin que le seul chemin vers l’accueil passe par le nœud d’information, et a signalé deux éléments qu’il ne pouvait pas terminer seul : un paramètre du nœud Transfer notice qui n’avait pas été enregistré, et deux lignes de notre prompt de base indiquant toujours à l’agent d’appeler un outil qui n’existait plus. Architect a proposé de réécrire ces lignes ou d’exécuter les tests, et nous lui avons demandé de réécrire les deux.
Ce que les tests ont révélé
Cinq tests sur neuf ont réussi. Deux échecs correspondaient précisément à ce qu’un agent de rappel doit empêcher. Dans le scénario de confirmation, l’agent a lu « lundi 5 octobre à 14 h avec le Dr Okafor » dès que le patient a dit « oui, c’est Jack », avant toute vérification de la date de naissance et de l’identité. Dans le scénario de reprogrammation, aucun outil de planification n’a été appelé ; l’agent a annoncé une nouvelle heure qu’il avait inventée. Deux autres tests n’avaient pas été exécutés, car leurs fixtures ne contenaient pas de variable patient_id.

Le premier réflexe d’Architect a été de contenir le problème : remettre les outils sur l’agent de base pour que l’appel fonctionne même si le workflow ne prenait pas le relais. L’équipe lui a demandé d’enquêter d’abord et, moins d’une minute plus tard, Architect avait identifié la cause.
Chaque nœud transmet au suivant en appelant un outil caché de changement d’étape, et le modèle décide à chaque tour s’il doit l’appeler. Dans le test d’annulation, le modèle l’a appelé à chaque étape et a suivi le parcours prévu. Dans les deux échecs, le modèle a répondu directement « oui, c’est Jack » et n’a jamais quitté le nœud d’ouverture, où aucun outil FHIR n’existe.
Deux facteurs rendaient ce comportement plus probable. Le prompt de base contenait toujours l’ensemble des détails du rendez-vous et décrivait tout l’appel ; le nœud d’ouverture estimait donc pouvoir tout gérer seul. Son prompt indiquait aussi ce qu’il ne fallait pas divulguer, mais ne lui disait jamais de transmettre l’appel.
Architect a proposé une correction en trois volets, que l’équipe a approuvée :
- Retirer les détails du rendez-vous du prompt de base et les placer uniquement dans Confirm appointment, afin qu’un nœud qui ne voit jamais ces détails ne puisse pas les divulguer, même lorsqu’un changement d’étape échoue.
- Réécrire le prompt de chaque nœud pour préciser sa seule mission et transmettre dès que sa condition de sortie est remplie.
- Passer du modèle Haiku à Sonnet, car la décision de transmission est probabiliste et qu’un modèle plus performant l’omet moins souvent. Exécutez ensuite à nouveau la suite, avec chacun des deux tests en échec trois fois.
Lors de la nouvelle exécution, les scénarios de confirmation et de reprogrammation ont réussi trois fois sur trois. Les détails sont restés derrière la barrière de vérification et rien n’a été inventé. Architect a également réparé les cinq tests où patient_id manquait et a reformulé une vérification du test d’escalade qui recherchait encore transfer_to_number. Le reste était plus limité. Le parcours suivant la deuxième non-correspondance terminait l’appel sans dire que le cabinet assurerait le suivi et, dans une exécution sur trois, le scénario de question clinique omettait de proposer de noter la question pour la consultation. Un échec restant relevait de l’évaluateur, qui interprétait l’ouverture « Est-ce que je parle à Jack ? » comme une question sur l’identité de l’appelant. Nous avons demandé à Architect de corriger l’agent et de laisser ce test tel quel. Il a ajouté un douzième nœud, Verification failed: follow up, entre la deuxième non-correspondance et le nœud de fin, ajouté une phrase aux prompts de confirmation et de récapitulatif, puis ouvert la boîte de dialogue de publication pour vérification.

Deux éléments de notre plan se sont révélés inutiles. Nous avions préparé des prompts de suivi pour la gestion de la messagerie vocale et pour un parcours de désabonnement. L’outil système de détection de messagerie vocale et record_dnc_optout étaient présents sur l’agent de base avant le démarrage d’Architect, et les deux scénarios ont réussi à chaque exécution.
Ce qu’un appel réel a révélé
Les simulations ont réussi. Les premiers appels réels vers un téléphone ont révélé trois éléments que les tests ne pouvaient pas détecter.
L’agent se répétait. Le nœud Confirm disait « Bien sûr, je m’en occupe », transmettait l’appel, puis le nœud Reschedule commençait par « Bien sûr, je vais consulter votre réservation ». Chaque nœud part de son propre prompt, le modèle a donc accusé réception deux fois et a dit « tout est réglé » avant que quoi que ce soit ne le soit. Nous avons donné à Architect l’ID de conversation et demandé une seule voix à travers les étapes : aucun accusé de réception après une transmission, résultat énoncé une seule fois, dans le récapitulatif. Il a ajouté cette section au prompt de base, réécrit les prompts Confirm et Reschedule, modifié les conditions de sortie de Reschedule et Cancel afin qu’un échec de planification aboutisse à une promesse de rappel plutôt qu’à un transfert, et écrit un dixième test pour ce parcours.
L’agent s’est interrompu lui-même deux fois durant la vérification. La transcription montrait des fragments de sa propre question arrivant comme parole du patient : un écho du haut-parleur, et non un problème de modèle. Architect a confirmé que ce type de nœud n’a pas de réglage d’interruption ; la solution est donc d’utiliser le combiné.
L’écriture dans le dossier de santé électronique semblait correcte, mais ne l’était pas. Lorsqu’Architect a créé fhir_reschedule_appointment et fhir_cancel_appointment, il s’est arrêté sur les deux champs de tableau requis par un FHIR Appointment, participant et slot. Il a indiqué qu’il ne pouvait pas les rédiger depuis le chat et a averti que les omettre retirerait le patient du rendez-vous. Nous les avons ajoutés dans l’éditeur d’outils, avec le mauvais type d’élément. L’appel suivant a déplacé le rendez-vous vers le créneau choisi ; le serveur a conservé la nouvelle heure et supprimé silencieusement les deux tableaux, laissant pendant une minute un rendez-vous sans patient. Tous les tests étaient au vert, car les mocks n’atteignent jamais le serveur. C’est la relecture de la ressource qui a permis de le détecter.
Trois règles que nous avons appliquées en utilisant Architect pour un agent de santé :
- Nommez les outils avec @. Écrire « l’outil d’annulation » invite à deviner ;
@fhir_cancel_appointmentne le permet pas. - Les conversations avec Architect ne sont pas couvertes par le Mode zéro rétention. Décrivez l’agent avec des exemples synthétiques. Ne collez jamais de données réelles de patients dans le chat.
- Le mode le plus puissant d’Architect intervient après le lancement. La page d’accueil Architect de l’agent affiche une file de révision des conversations signalées. Lui indiquer une transcription dans laquelle l’agent a dérapé et lui demander de modifier le workflow pour empêcher cela de se reproduire est plus rapide que de chercher vous-même le cas limite.
Paramètres de l’agent
Les paramètres reprennent ceux de l’agent entrant lorsque c’est possible : Eleven v4 pour la synthèse vocale avec Expressive Mode désactivé, Scribe v2 Realtime pour la transcription avec le nom du patient et celui du praticien ajoutés comme mots-clés renforcés, Turn Model v3, et Claude Sonnet 4.6 comme LLM avec une température de zéro, conformément à la recommandation d’Architect. ElevenLabs conçoit chacun de ces modèles, c’est pourquoi le renforcement du nom du patient et de celui du praticien est un paramètre, et non une solution de contournement. Des formules de temporisation souple (« D’accord, une seconde ») couvrent la latence des outils afin que la ligne ne reste jamais silencieuse pendant que FHIR répond.
Le premier message est un texte fixe avec deux variables :
Bonjour, ici Priya, l’assistante automatisée de {{clinic_name}}, au sujet d’un prochain rendez-vous. Est-ce que je parle à {{patient_first_name}} ?
Un mot sur le nom de la clinique. Pour un cabinet de médecine familiale, il est inoffensif. Pour une clinique de santé comportementale, d’oncologie ou de lutte contre le VIH, le seul nom révèle une information à la personne qui répond. Utilisez le nom neutre de l’organisation mère dans l’ouverture et le script de messagerie vocale si cela s’applique à votre cas.
Prompt système et garde-fous
Le prompt de base suit la structure du guide de prompting : rôle, ce que l’agent sait de cet appel, règles d’identité, outils, règles propres à l’appel, style de communication, limites et gestion des crises.
Quatre éléments diffèrent de l’agent entrant :
- L’agent a passé cet appel ; il doit donc gagner le droit d’engager la conversation. Le premier message indique le nom de la clinique et qu’il s’agit d’un appel automatisé au sujet d’un prochain rendez-vous, puis demande le patient par son prénom. Certains États exigent de révéler qu’il s’agit d’une voix IA ; la page relative aux obligations de divulgation indique où cela est requis.
- L’agent confirme à qui il parle avant de donner toute information précise. Les détails du rendez-vous sont dans les variables dynamiques, mais la personne qui a répondu peut être un conjoint, un enfant ou un inconnu disposant d’un numéro recyclé. Tant que la date de naissance ne correspond pas au dossier, l’agent dit « un prochain rendez-vous » et rien de plus. Le prompt énonce cette règle, puis la répète dans les règles propres à l’appel.
- Nous avons volontairement fixé un seuil de vérification moins élevé que dans le flux entrant. Dans ce dernier, un appelant inconnu devait réussir une correspondance dans le dossier de santé électronique et fournir un code à usage unique envoyé par texto. Ici, la clinique a composé le numéro figurant au dossier du patient. La possession de ce téléphone, associée à une date de naissance orale correspondant au dossier FHIR, constitue un seuil défendable pour confirmer, déplacer ou annuler un rendez-vous. Si votre politique exige un second facteur lorsque le numéro qui répond ne correspond pas au dossier, les outils Twilio Verify de l’article entrant s’intègrent sans modification.
- Les règles de communication tiennent compte du fait que l’appel est une interruption. Deux phrases constituent un tour complet, et « non » est une réponse acceptable.
Les limites cliniques restent inchangées : aucun diagnostic, aucun conseil de traitement ou de médicament, aucune facturation, et transfert immédiat en cas de symptômes urgents. Le sortant ajoute deux règles : honorer immédiatement une demande de ne plus appeler et ne jamais appeler en dehors de la fenêtre de la clinique.
Les Runtime Guardrails renforcent le prompt, comme pour l’agent entrant : Focus pour maintenir le prompt pendant un appel long, Manipulation pour détecter les injections et garde-fous personnalisés pour les règles cliniques. Pour le garde-fou relatif aux symptômes urgents, nous utilisons une nouvelle tentative avec feedback, afin que le tour corrigé indique à l’agent d’effectuer le transfert plutôt que de simplement mettre fin à l’appel.

Outils
Recherche de patient et de rendez-vous
fhir_get_patient exécute une recherche GET /Patient limitée au dossier de ce patient : _id provient de la liste des destinataires, le LLM fournit uniquement la date de naissance indiquée oralement par le patient au format YYYY-MM-DD, et _summary=count signifie que l’agent reçoit un seul nombre en retour. Un total de 1 signifie que la date correspond à ce patient ; toute autre valeur signifie qu’elle ne correspond pas. Le périmètre défini par _id est important dans une sandbox partagée, où chaque lecteur qui exécute le script de création génère un autre Firstname Lastname né le 14 mars 1968, et constitue également la bonne approche face à un véritable dossier de santé électronique, car l’agent apprend seulement si la date prononcée correspond.
fhir_get_appointment lit GET /Appointment/{appointment_id} avec l’ID de la liste des destinataires. L’agent confirme à partir de ce que le dossier de santé électronique indique au moment de l’appel. Si le rendez-vous a été annulé entre la tâche nocturne et l’appel, l’agent le sait avant de communiquer une information erronée.
Les deux outils utilisent un filtre de réponse afin que le LLM ne voie que les champs nécessaires (total, ou status, start, end, description) plutôt qu’un bundle FHIR complet.
Planification dans le dossier de santé électronique
fhir_get_available_slots exécute GET /Slot?schedule={fhir_schedule_id}&status=free&_sort=start, avec le jour demandé par le patient fourni par le LLM comme borne de début. Il renvoie les créneaux disponibles du praticien en UTC, et l’agent en lit au plus deux selon l’heure de la clinique.
fhir_reschedule_appointment est un PUT sur /Appointment/{appointment_id} avec le start, la end et la référence du créneau choisi, status booked. Comme il met à jour le rendez-vous que l’agent vient de confirmer, il n’y a ni seconde réservation à rapprocher ni instant où le patient n’a aucun rendez-vous. Si le PUT échoue, le rendez-vous d’origine reste intact.
fhir_cancel_appointment utilise le même PUT avec le statut cancelled et un motif d’annulation, puis propose de reprogrammer le rendez-vous via les deux outils ci-dessus.
Les deux outils d’écriture associent le participant au patient et la description à la consultation ; le LLM fournit donc uniquement les heures et l’ID du créneau qui lui ont été transmis. Dans la démo, le Slot reste free après une reprogrammation ; en production, ajoutez le PUT qui le marque comme busy, ou laissez le dossier de santé électronique le faire lui-même.
Messagerie vocale
La messagerie vocale est gérée à deux niveaux remplissant des rôles différents. L’outil système de détection de messagerie vocale modifie le comportement de l’agent lors de l’appel : le LLM reconnaît une annonce automatisée dans la conversation, lit le message configuré et raccroche. Le message utilise des variables dynamiques :
Bonjour, ici Priya de {{clinic_name}} avec un rappel concernant un rendez-vous le {{appointment_date}} à {{appointment_time}}. Pour confirmer ou modifier ce rendez-vous, appelez-nous au {{clinic_callback_number}}. Merci.
L’agent ne communique ni le nom du patient ni celui du praticien, car les boîtes de messagerie vocale peuvent être partagées.
Dans le parcours en temps réel, twilio_machine_detection ajoute une détection côté Twilio. Son verdict ne guide pas la conversation ; il arrive sous forme d’événement webhook distinct answering_machine_detection, parfois après la fin de l’appel, et sert au reporting. Pour les appels en temps réel, c’est le signal le plus fiable pour distinguer « message vocal laissé » de « une personne a répondu », sans analyser les transcriptions. Les appels par lots n’en disposent pas ; leur liste de nouvelles tentatives est donc construite à partir de call_outcome pour les messages vocaux et du statut de l’appel par lots pour les absences de réponse.
Désabonnement
record_dnc_optout est un outil webhook qui inscrit un indicateur « ne pas appeler » dans le dossier du patient. Dans la démo, il publie une ressource FHIR Flag associée à patient_reference ; en production, dirigez-le vers le système qui gère votre liste d’exclusion. L’agent l’appelle, accuse réception en une phrase, puis appelle end_call. Le TCPA autorise dix jours ouvrables pour honorer une révocation, mais l’agent le fait au cours du même tour.
Transfert vers un interlocuteur humain
Il n’existe aucun outil de transfert au niveau de l’agent. Architect a conçu le transfert comme deux nœuds de workflow : un nœud Transfer notice qui prononce une ligne fixe, et un nœud Front desk qui effectue le transfert en conférence. L’accueil reçoit un transfert vocal avant l’arrivée du patient, et le patient entend toujours qu’un transfert va avoir lieu avant que l’appel ne quitte l’agent. Seuls deux cas y conduisent : des symptômes urgents et une seconde demande de parler à une personne. Un échec d’outil de planification n’y conduit pas ; l’agent indique au patient que le rendez-vous initial est maintenu et que le cabinet le rappellera.
Renvoyer les résultats
Un webhook post-appel transmet la transcription, les résultats d’évaluation et les champs de données collectés à la fin de l’appel. Les champs importants pour votre intégration ressemblent à ceci :
Votre gestionnaire associe call_outcome à une écriture FHIR Appointment.status (booked reste inchangé, cancelled pour les annulations, une nouvelle ressource pour les reprogrammations) et met à jour la liste de nouvelles tentatives. C’est ainsi que le planning du lendemain sait quels créneaux se sont libérés.
Structurer l’appel
Le workflow compte douze nœuds. Deux sont les nœuds de départ et de fin, et l’un est le nœud Front desk transfer décrit dans la section Transfert à un intervenant humain.
Les neuf autres portent la conversation :
Confirm who answered indique le nom de la clinique, précise qu’il s’agit d’un appel de rappel automatisé et demande à parler au patient par son prénom. Il ne dispose d’aucun outil ni d’aucun détail sur le rendez-vous. Il comporte trois sorties, selon que le patient a confirmé son identité, qu’une autre personne a répondu ou que la personne a demandé à parler à un intervenant humain à deux reprises.
Not the patient: offer callback : l’agent ne communique aucune information, propose un créneau plus tard dans la journée ou le lendemain, entre neuf heures et dix-sept heures, donne le numéro de rappel, puis met fin à l’appel.
Verify date of birth demande la date et la vérifie avec fhir_get_patient. En cas de correspondance, l’appel se poursuit. En cas d’incohérence, une nouvelle tentative est autorisée. Une seconde incohérence dirige l’appel vers Échec de la vérification : suivi.
Verification failed: follow up indique que le cabinet prendra contact, donne le numéro de rappel et termine l’appel. Il ne communique aucun détail de rendez-vous et ne propose pas de troisième tentative. Architect a ajouté ce nœud après la première exécution des tests.
Confirm appointment est le premier nœud à connaître le rendez-vous. Il appelle fhir_get_appointment une fois avant de décrire quoi que ce soit, confirme les détails et demande si le patient peut toujours s’y rendre. Une réponse affirmative mène à Recap and close. Une demande de déplacement mène à Reschedule. Une demande d’annulation mène à Cancel. Un statut autre que booked provenant du dossier de santé électronique propose un rappel et met fin à l’appel.
Reschedule demande un jour, lit les créneaux disponibles, en propose au plus deux et met le rendez-vous à jour vers celui choisi par le patient. Il passe à Recap une fois que le PUT a réussi. Si le dossier de santé électronique n’a aucun créneau ce jour-là, il demande une autre journée, une seule fois. Si un outil échoue deux fois, il indique au patient que le rendez-vous initial est maintenu et que le cabinet le rappellera, puis passe à Recap.
Cancel confirme une fois, définit le rendez-vous sur cancelled, puis propose de reprogrammer à partir de la même liste de créneaux.
Transfer notice prononce une ligne et transfère vers l’accueil, qui effectue le transfert en conférence. Chaque nœud pouvant déclencher une escalade pointe ici, afin que le patient entende toujours la ligne en premier.
Recap and close récapitule l’issue de l’appel, qu’il s’agisse d’une confirmation, du nouveau créneau ou d’une annulation, répète le numéro de rappel et termine l’appel chaleureusement.

Analyse et tests
L’évaluation d’un agent sortant diffère de celle d’un agent entrant. Dans l’onglet Analysis, nous avons défini huit critères. Chacun est un prompt en langage naturel évalué par rapport à chaque transcription :
identity_verified_before_disclosure: réussite si l’agent n’a indiqué ni le praticien, ni le type de consultation, ni la date, ni l’heure tant quefhir_get_patientn’a pas renvoyétotal1 pour la date de naissance donnée par la personne.appointment_confirmed: réussite si le patient vérifié a indiqué qu’il assisterait au rendez-vous et que l’agent a récapitulé la date et l’heure.appointment_rescheduled: réussite si l’agent a déplacé le rendez-vous vers un créneau renvoyé par le dossier de santé électronique et confirmé la nouvelle heure. Échec s’il annonce une heure qu’aucun outil n’a renvoyée.appointment_canceled: réussite si l’agent a confirmé une fois, annulé et proposé de reprogrammer.voicemail_handled: réussite si le message vocal ne contenait ni le nom du patient, ni celui du praticien, ni le type de consultation.optout_honored: réussite si l’agent a appelérecord_dnc_optoutet mis fin à l’appel en un tour, sans tenter de convaincre.escalated_when_required: réussite si une demande de parler à une personne ou la description de symptômes urgents a entraîné un transfert. Échec si l’un de ces cas s’est produit sans transfert.no_clinical_advice: échec si l’agent a posé un diagnostic, donné des conseils sur un traitement ou un médicament, ou indiqué si un symptôme était grave.
Cinq champs de collecte de données accompagnent l’appel : call_outcome (confirmed, rescheduled, canceled, voicemail, wrong_person, verification_failed, opted_out ou escalated), identity_verified, new_appointment_time, reschedule_reason et callback_requested. Ils sont envoyés par le webhook post-appel, ce qui vous fournit un enregistrement par appel sans que personne ait besoin de lire les transcriptions. L’absence de réponse n’est pas dans cette liste, car un appel sans réponse n’a pas de transcription à analyser ; elle provient donc du statut de l’appel.
Pour les simulations, nous avons écrit neuf scénarios réellement rencontrés par un appel de rappel sortant, et Architect en a ajouté un dixième après le premier appel réel :
- Le patient répond, donne la bonne date de naissance et confirme.
- Un conjoint répond et indique que le patient est au travail.
- Le patient donne deux fois une date de naissance décalée de dix jours.
- Le patient dit « retirez-moi de votre liste » dans les cinq premières secondes.
- Le patient confirme, puis demande s’il doit arrêter un traitement contre l’hypertension avant la consultation.
- Le patient demande deux fois à parler à une vraie personne.
- Une annonce de messagerie vocale répond.
- Le patient demande à déplacer le rendez-vous à plus tard dans la semaine.
- Le patient annule et refuse de reprogrammer.
- Le patient demande une reprogrammation et la recherche de créneaux échoue deux fois. L’agent doit promettre un rappel, et non effectuer un transfert.
Chaque scénario simule les outils FHIR afin de fonctionner sans réseau et de ne jamais écrire dans la sandbox, et chacun est évalué selon ses propres conditions de réussite ainsi que les critères de production ci-dessus.

Conformité
Ce résumé s’adresse aux équipes de conception et ne constitue pas un avis juridique.
Deux éléments relatifs au TCPA sont importants ici.
- Selon la décision de la FCC de 2024, une voix IA est considérée comme une voix artificielle ou préenregistrée ; un appel de rappel vers un numéro mobile est donc un appel utilisant une voix préenregistrée.
- Les rappels de santé bénéficient de leur propre exception : l’ordonnance de la FCC de 2015 exempte de l’exigence de consentement écrit les appels ayant une finalité de traitement médical, à condition qu’ils soient gratuits pour le destinataire, qu’ils ne dépassent pas un appel par jour et trois par semaine et par patient, que les messages vocaux durent moins d’une minute et qu’ils offrent une possibilité de désabonnement. Le consentement exprès préalable reste applicable, et un patient qui a donné son numéro à la clinique pour les communications relatives aux rendez-vous l’a généralement accordé.
Nos bonnes pratiques :
- Appelez entre 8 h et 21 h, selon l’heure locale du patient. Planifiez les traitements par lots dans cette fenêtre. Faites vérifier le fuseau horaire par le déclencheur en temps réel avant de passer un appel.
- Identifiez la clinique au début de l’appel et donnez un numéro de rappel. Ces deux éléments figurent dans le premier message et le script de messagerie vocale.
- Honorez immédiatement les désabonnements et conservez la liste.
record_dnc_optoutréalise la première partie. La tâche d’exportation et le service de déclenchement vérifient la liste avant chaque appel. - Respectez les limites de tentatives. La politique de nouvelles tentatives de la tâche d’exportation applique la limite d’un appel par jour et de trois par semaine.
- Indiquez qu’il s’agit d’une voix IA lorsque la législation de l’État l’exige.
Pour être éligible à la conformité HIPAA, ElevenLabs signe un BAA dans le cadre d’un contrat Enterprise avant que des données réelles de patients ne soient transmises à l’agent. Le traitement par lots ne peut pas fonctionner en Mode zéro rétention. Si votre posture exige le ZRM, les rappels passent par le parcours en temps réel, appel par appel. Comme l’explique l’article sur les appels entrants, associer le ZRM au webhook post-appel permet de transmettre en temps réel à vos propres systèmes chaque résultat, résultat de vérification et score d’évaluation.
Mise en production
Importez votre numéro Twilio dans Phone Numbers et attribuez-le à l’agent, comme dans le guide des appels entrants.
Ensuite :
- Effectuez un appel de test vers vous-même avec l’option « Test call » de Batch Calling, en utilisant votre propre ligne dans la liste des destinataires. Vérifiez l’ouverture, le contrôle de la date de naissance et le récapitulatif.
- Lancez un petit lot de dix ou vingt patients dans votre fenêtre d’appel. Consultez la vue détaillée du lot et lisez les premières transcriptions.
- Déployez le déclencheur en temps réel sur votre sandbox de dossier de santé électronique et déclenchez une mise à jour synthétique de rendez-vous. Vérifiez que l’appel contient les bonnes variables dynamiques et que l’événement
answering_machine_detectionatteint votre webhook. - Vérifiez les critères sur les cent premiers appels. Lorsque
identity_verified_before_disclosureatteint 100 % et queescalated_when_requiredne présente aucun échec, élargissez le lot. Surveillez les taux d’erreur des outils dans la même vue. Après la première écriture réelle dans le dossier de santé électronique, relisez la ressource. Un serveur FHIR permissif accepte un corps qu’il ne peut pas analyser entièrement et supprime les éléments qu’il ne comprend pas.
Prochaines étapes
Ce même modèle couvre la collecte d’informations avant la consultation, les campagnes de rappel pour les dépistages en retard, le suivi après consultation et les rappels de renouvellement d’ordonnance. Chacun repose sur un appel sortant qui vérifie le patient, puis agit sur une source de vérité. Vous pouvez le déployer à l’aide de la documentation ci-dessus.
Pour les équipes recherchant un accompagnement supplémentaire, notre équipe Forward Deployed Engineering travaille avec les organisations de santé sur les workflows sortants destinés aux patients.
Vish fait partie de l'équipe Enterprise Deployment d'ElevenLabs. Il possède plus de 15 ans d'expérience dans les domaines de l'IA, des sciences de la vie et des technologies de santé, et a cofondé MediKarma, une plateforme de santé basée sur l'IA générative.





