Poznaj Eleven v4Poznaj Eleven v4, nasz najbardziej emocjonalny model.

Przejdź do treści

ElevenAgents dla ochrony zdrowia: zbuduj wychodzącego agenta przypominającego o wizytach z Architect

Opublikowano

PosłuchajPosłuchaj tego artykułu

Niemal jedna na cztery wizyty medyczne nie dochodzi do skutku. Systematyczny przegląd 105 badań wykazał średni odsetek nieobecności na poziomie 23%, a w sierpniowej ankiecie 32% grup medycznych podało, że wskaźniki były wyższe w 2026 niż w 2025 roku — rok wcześniej twierdziło tak 27%. Rekordowo wysokie udziały własne sprawiają, że pacjenci zastanawiają się nad wizytami zarezerwowanymi sześć tygodni wcześniej. Koszt widać w przychodach, ale też w opóźnionym badaniu przesiewowym lub kontroli, która zamienia się w pilną wizytę.

Ten artykuł pokazuje, jak zbudować w ElevenAgents wychodzącego agenta głosowego, który dzwoni do pacjentów przed wizytą, weryfikuje ich datę urodzenia oraz potwierdza, przekłada lub odwołuje wizytę w elektronicznej dokumentacji medycznej (EHR) podczas rozmowy. Termin wraca do puli, gdy jest jeszcze czas, by go zapełnić. Agent powstał z pomocą Architect, asystenta w ElevenAgents, i może działać jako nocna partia lub w czasie rzeczywistym na podstawie zdarzeń EHR.

To podejście już działa. Everlywell używa ElevenAgents do przypominania członkom o kwalifikujących się badaniach przesiewowych i odnotował wzrost ich realizacji o 10% względem tradycyjnego interaktywnego systemu odpowiedzi głosowej (IVR), a wśród członków hiszpańskojęzycznych — 3,5 raza wyższą konwersję. Ovianta używa ElevenAgents do kontaktu po przedstawieniu propozycji leczenia, osiągając 68% zaangażowania pacjentów, 25% wzrost konwersji leczenia i 83% mniej ręcznych rozmów kontrolnych personelu kliniki.

To drugi artykuł z serii o ochronie zdrowia. Pierwszy opisywał agenta do planowania wizyt przy połączeniach przychodzących, który odbiera telefony pacjentów chcących umówić wizytę. Aby uruchomić agenta wychodzącego dla całej listy pacjentów, zespoły opieki mogą skorzystać z Campaign Manager, dostępnego teraz w ElevenAgents. Obsługuje okna połączeń, wybieranie numerów według czasu lokalnego, ponowienia i pocztę głosową oraz śledzi każdego pacjenta w jednym lejku — od pierwszego połączenia do potwierdzonej wizyty.

Jak kliniki dziś walczą z nieobecnościami

Większość placówek prowadzi już jakiś program przypomnień. Ręczne telefonowanie do pacjentów przez rejestrację trudno skalować. Takie rozmowy odbywają się tylko w godzinach pracy i angażują te same osoby, które odbierają połączenia przychodzące, więc ustają, gdy grafik robi się napięty.

Przypomnienia SMS i e-mail są tanie, mogą dotrzeć do wszystkich, ale zwykle działają tylko w jedną stronę. Zaangażowanie spada wśród starszych pacjentów i osób, których pierwszym językiem nie jest język wiadomości.

Zautomatyzowane połączenia IVR są rozwiązaniem pośrednim. Można je skalować i wykorzystują telefon. Jednak menu „naciśnij 1, aby potwierdzić” nadal nie obsłuży zmiany terminu, nie zweryfikuje tożsamości na odpowiednim poziomie i słabo przekazuje rozmowę, gdy pacjent zada pytanie.

Zewnętrzne call center oferują rozmowy z ludźmi na dużą skalę, ale przy wysokim koszcie połączenia. Jakość zależy od zmiany, a więcej osób spoza twojej organizacji ma dostęp do chronionych informacji zdrowotnych.

Badania jasno pokazują, co działa: przypomnienie, które dociera do pacjenta na żywo, jest znacznie skuteczniejsze niż takie, które nie dociera. Badanie Veterans Health Administration wykazało 3% nieobecności, gdy telefoniczne przypomnienie dotarło do pacjenta, 24%, gdy trafiło na pocztę głosową, i 39%, gdy nikt nie odebrał i nie zostawiono wiadomości. W wielu systemach ochrony zdrowia tylko telefon z rejestracji może jednocześnie zweryfikować pacjenta i zmienić grafik, ale nie da się go skalować. Dzięki ElevenAgents placówki mogą teraz proaktywnie docierać do pacjentów, wprowadzać zmiany w grafiku w czasie rzeczywistym i skalować kontakt. 

Co budujemy

Wychodzący agent przypominający działa na tej samej platformie, z tymi samymi narzędziami i kontrolą zabezpieczeń co agent do planowania wizyt przy połączeniach przychodzących, więc jeden dostawca obsługuje zarówno pierwszy kontakt, jak i dalszą opiekę. Dzwoni do pacjenta przed wizytą, potwierdza jego tożsamość i odczytuje aktualną wizytę z EHR. Następnie potwierdza, przekłada lub odwołuje wizytę zgodnie z wolnymi terminami lekarza.

Agent obsługuje też sytuacje wyjątkowe. Jeśli połączenie trafia na pocztę głosową, zostawia wiadomość. Jeśli pacjent prosi, by więcej nie dzwonić, zapisuje rezygnację, aby kolejne połączenia nie były wykonywane. Jeśli pacjent chce porozmawiać z człowiekiem, przekazuje rozmowę do rejestracji. Nocny eksport może uruchamiać go jako zaplanowaną partię, a zdarzenia EHR w czasie rzeczywistym — pojedynczo.

ElevenLabs zbudowało tego agenta z pomocą Architect, asystenta w ElevenAgents, który z czatu odczytuje i edytuje konfigurację agenta, workflow, narzędzia oraz testy. W poprzednim artykule każdy węzeł konfigurowaliśmy ręcznie. Tym razem opisaliśmy rozmowę prostym językiem, a Architect zbudował workflow.

Wymagania wstępne

Aby zbudować agenta wychodzącego, potrzebujesz:

  • Konta ElevenLabs z ElevenAgents.
  • Numeru Twilio zaimportowanego do ElevenAgents albo trunku SIP.
  • Testowego EHR. Używamy publicznego serwera HAPI FHIR R4 z syntetycznymi danymi pacjentów i wizyt. Nie ma na nim prawdziwych danych; każdy może je odczytać.
  • Bez osobnego kalendarza. Planowanie odczytuje i zapisuje zasoby EHR Schedule, Slot i Appointment, tak jak system zarządzania placówką.
  • Tylko dla ścieżki czasu rzeczywistego: miejsca do uruchomienia małej usługi wyzwalającej, która nasłuchuje EHR i wywołuje API ElevenLabs. Wystarczy funkcja serverless.

Utwórz jednego syntetycznego pacjenta i jedną wizytę, aby agent miał o czym przypomnieć:

PAT=$(curl -s -X POST "https://hapi.fhir.org/baseR4/Patient" \
  -H "Content-Type: application/fhir+json" \
  -d '{"resourceType":"Patient",
       "name":[{"use":"official","family":"Okonkwo","given":["Maria"]}],
       "gender":"female","birthDate":"1968-03-14"}')
PID=$(echo "$PAT" | python3 -c "import sys,json;print(json.load(sys.stdin)['id'])")

curl -s -X POST "https://hapi.fhir.org/baseR4/Appointment" \
  -H "Content-Type: application/fhir+json" \
  -d "{\"resourceType\":\"Appointment\",\"status\":\"booked\",
       \"description\":\"Follow-up visit with Dr. Okafor\",
       \"start\":\"<TOMORROW>T14:00:00Z\",\"end\":\"<TOMORROW>T14:30:00Z\",
       \"participant\":[{\"actor\":{\"reference\":\"Patient/$PID\"},\"status\":\"accepted\"}]}"

Następnie utwórz Schedule dla lekarza i kilka wolnych Slots: jedno POST /Schedule oraz jedno POST /Slot dla każdego terminu z referencją schedule, status free, a także czasem start i end w UTC. Zachowaj trzy identyfikatory. ID pacjenta staje się patient_id (a po dodaniu prefiksu Patient/ — patient_reference), ID wizyty staje się appointment_id, a harmonogram — fhir_schedule_id.

Architektura

Agent działa tak samo niezależnie od sposobu rozpoczęcia połączenia. Różni się wyzwalacz, który wpływa na aktualność danych, koszt i zgodność.

Ścieżka A: zaplanowana partia

Załóżmy, że każdego wieczoru zadanie odpyta EHR o jutrzejsze wizyty:

GET /baseR4/Appointment?date=ge<TOMORROW>&date=lt<DAY-AFTER>&status=booked&_include=Appointment:patient

Zadanie spłaszcza każdą wizytę do jednego wiersza i zamienia znacznik czasu UTC na słowa w lokalnym czasie kliniki, ponieważ agent odczytuje godzinę na głos, a model TTS nie powinien zgadywać, jak to zrobić. phone_number to jedyna wymagana kolumna. Każda pozostała staje się zmienną dynamiczną, której agent może użyć w promptcie, pierwszej wiadomości i wywołaniach narzędzi:

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"

Ten plik trafia do Batch Calling — przesyłasz go w panelu lub przez API. Wybierasz agenta, numer wychodzący i godzinę rozpoczęcia w oknie połączeń. Połączenia wsadowe korzystają z ograniczonej części współbieżności (niższej z wartości: 50% limitu workspace albo 70% limitu agenta), więc duża kampania przypomnień nie blokuje linii przychodzącej.

Zadanie eksportu zarządza też polityką ponowień. Osoby, u których połączenie zakończyło się pocztą głosową lub brakiem odpowiedzi, wracają na listę następnego dnia o innej godzinie. Limit to trzy próby na pacjenta tygodniowo, a wynik potwierdzony, odwołany, przełożony lub rezygnacja usuwa daną osobę. Każdą decyzję o ponowieniu podejmuje zadanie eksportu. Dla placówki, która rezerwuje większość wizyt z ponad jednodniowym wyprzedzeniem, partia jest właściwym ustawieniem domyślnym i wymaga najmniej pracy.

Ścieżka B: w czasie rzeczywistym z EHR

Partia ma martwy punkt: wszystko, co zmieni się po eksporcie — na przykład rezerwacje na ten sam dzień, pacjent, który przełożył wizytę z 8:00 na 15:00, lub termin zwolniony po odwołaniu. W takich przypadkach mała usługa wyzwalająca nasłuchuje zdarzeń wizyt z EHR (subskrypcja FHIR, webhook z systemu zarządzania placówką albo zadanie odpytujące co kilka minut) i wykonuje po jednym połączeniu przez API połączeń wychodzących:

POST /v1/convai/twilio/outbound-call
{
  "agent_id": "<AGENT-ID>",
  "agent_phone_number_id": "<PHONE-NUMBER-ID>",
  "to_number": "+15550100199",
  "conversation_initiation_client_data": {
    "dynamic_variables": {
      "patient_first_name": "Maria",
      "patient_last_name": "Okonkwo",
      "patient_id": "81660",
      "patient_reference": "Patient/81660",
      "appointment_id": "81661",
      "appointment_date": "Tuesday, October sixth",
      "appointment_time": "ten a.m.",
      "provider_name": "Dr. Okafor",
      "visit_type": "follow-up visit",
      "clinic_name": "Lakeside Family Medicine",
      "clinic_callback_number": "five five five, zero one zero zero"
    }
  },
  "telephony_call_config": {
    "ringing_timeout_secs": 30,
    "twilio_machine_detection": { "mode": "detect_message_end" }
  }
}

twilio_machine_detection włącza wykrywanie automatycznej sekretarki po stronie Twilio obok własnego narzędzia poczty głosowej agenta, które opisujemy w sekcji Narzędzia. Ponieważ każde połączenie zaczyna się osobno, może działać w Zero Retention Mode, czego nie obsługują połączenia wsadowe.

Jak wybrać

Zaplanowana partia

Wyzwalacz czasu rzeczywistego

Konfiguracja

Panel lub jedno wywołanie API

Mała usługa wyzwalająca

Aktualność

Stan z chwili eksportu

Sekundy po zmianie w EHR

Rezerwacje na dziś i późne zmiany

Pomijane

Obsługiwane

Zero Retention Mode

Niedostępny

Dostępny

Współbieżność

Ograniczona część workspace

Wszystko, co wyślesz

Najlepsze do

Masowych przypomnień na następny dzień

Zmian tego samego dnia; wdrożeń wymagających ZRM

W praktyce warto uruchomić oba warianty. Partia obsługuje większość przypomnień na następny dzień, a ścieżka czasu rzeczywistego przechwytuje wszystko, co zmieniło się po eksporcie, oraz każde połączenie wymagające ZRM.

Jedno źródło danych

Agent odczytuje wizytę z FHIR i zmienia ją w FHIR. Wolne terminy pochodzą z Slot, przełożenie to PUT na tym samym Appointment, który agent właśnie potwierdził, a odwołanie zmienia jego status. Po rozmowie nie trzeba niczego uzgadniać z kartą pacjenta: EHR jest poprawny w chwili zakończenia połączenia, a każdy zapis agenta jest zasobem FHIR objętym już twoim audytem. Webhook po rozmowie nadal przekazuje wynik do kolejnych systemów. Jeśli twoja placówka używa osobnego systemu planowania, zamień trzy narzędzia planowania na API tego systemu; dwa węzły workflow pozostają bez zmian.

Identyfikacja dzwoniącego

Kontakt z pacjentami jest trudny, gdy telefon wyświetla „Podejrzany spam”. Przed pierwszą partią zarejestruj numer wychodzący, aby połączenia miały pełną atestację STIR/SHAKEN, ustaw CNAM, by wyświetlała się nazwa kliniki, i sprawdź opcje połączeń brandowanych Twilio dla operatorów używanych przez pacjentów — bo przypomnienie odfiltrowane jako spam nie dociera.

Budowanie z Architect

W artykule o połączeniach przychodzących każdy węzeł, narzędzie i warunek przejścia konfigurowaliśmy ręcznie. Tutaj zaczęliśmy od agenta z podłączonymi narzędziami FHIR, włączonymi narzędziami systemowymi, bazowym promptem obejmującym rolę, granice i sposób mówienia oraz dziewięcioma testami symulacyjnymi. Bez workflow. Otworzyliśmy kartę Architect i opisaliśmy rozmowę:

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 tworzył workflow etapami, dwa razy się zatrzymując: raz, by zapytać o niezapisane zmiany w edytorze, a potem, czy dokończyć resztę procesu przed publikacją. Architect wrócił z jedenastoma węzłami i sam je nazwał: węzeł startowy, Confirm who answered, Not the patient: offer callback, Verify date of birth, Confirm appointment, Reschedule, Cancel, Recap and close, węzeł Transfer notice, który wypowiada jedną stałą frazę, węzeł Front desk transfer i węzeł końcowy.

Workflow status: appointment reminder flow is live; two transfer fixes remain.

Zakres narzędzi ustawiono poprawnie. fhir_get_patient działa tylko w Verify. fhir_get_appointment działa tylko w Confirm. Narzędzia planowania działają w Reschedule i Cancel. Architect usunął też narzędzie transfer_to_number na poziomie agenta, więc jedyna ścieżka do rejestracji prowadzi przez węzeł komunikatu. Wskazał również dwie rzeczy, których nie mógł sam dokończyć: ustawienie węzła Transfer notice, które się nie zapisało, oraz dwa wiersze w naszym bazowym prompcie, które nadal nakazywały agentowi wywołać nieistniejące narzędzie. Architect zaproponował przepisanie tych wierszy albo uruchomienie testów, a my poprosiliśmy go o przepisanie obu.

Co wykazały testy

Przeszło pięć z dziewięciu testów. Dwa błędy były dokładnie tym, czemu ma zapobiegać agent przypominający. W scenariuszu potwierdzenia agent odczytał „poniedziałek, piąty października o drugiej po południu z dr Okaforem”, gdy tylko pacjent powiedział „tak, mówi Jack” — zanim sprawdzono datę urodzenia i zweryfikowano tożsamość. W scenariuszu przełożenia nie wywołano żadnego narzędzia planowania; agent ogłosił wymyśloną przez siebie nową godzinę. Dwa kolejne testy się nie uruchomiły, ponieważ w ich fixture’ach brakowało zmiennej patient_id.

Test report: 5 of 9 passed; serious regressions affect patient verification and booking.

Pierwszym odruchem Architect było zabezpieczenie: przywrócić narzędzia na podstawowego agenta, aby rozmowa działała, nawet jeśli workflow nie przejmie kontroli. Zespół najpierw poprosił o zbadanie problemu i w mniej niż minutę Architect znalazł przyczynę.

Każdy węzeł przekazuje rozmowę do kolejnego przez ukryte narzędzie zmiany kroku, a model w każdej turze decyduje, czy je wywołać. W teście odwołania model wywoływał je na każdym kroku i przeszedł zamierzoną ścieżkę. W dwóch przypadkach błędnych model odpowiedział bezpośrednio „tak, mówi Jack” i nigdy nie opuścił węzła początkowego, gdzie nie ma żadnych narzędzi FHIR.

Dwie rzeczy zwiększały prawdopodobieństwo tego problemu. Bazowy prompt nadal zawierał pełne szczegóły wizyty i opisywał całą rozmowę, więc węzeł początkowy uznał, że może obsłużyć wszystko sam. Prompt tego węzła mówił też, czego nie ujawniać, ale nie nakazywał przekazania rozmowy dalej.

Architect zaproponował poprawkę w trzech częściach, a zespół ją zatwierdził:

  1. Przenieść szczegóły wizyty z bazowego promptu wyłącznie do Confirm appointment, aby węzeł, który nigdy ich nie widzi, nie mógł ich ujawnić, nawet gdy zmiana kroku zawiedzie. 
  2. Przepisać prompt każdego węzła tak, aby określał jego jedno zadanie i przekazywał rozmowę od razu po spełnieniu warunku wyjścia. 
  3. Zmienić model z Haiku na Sonnet, ponieważ decyzja o przekazaniu jest probabilistyczna, a silniejszy model rzadziej ją pomija. Następnie uruchomić cały zestaw ponownie, a dwa nieudane testy po trzy razy każdy.

Po ponownym uruchomieniu potwierdzenie i przełożenie przeszły trzy na trzy. Szczegóły pozostały za bramką weryfikacji i niczego nie wymyślono. Architect naprawił też pięć testów, którym brakowało patient_id, oraz przeformułował kontrolę w teście eskalacji, która nadal szukała transfer_to_number. Pozostałe problemy były mniejsze. Ścieżka drugiej niezgodności kończyła rozmowę bez informacji, że placówka skontaktuje się ponownie, a w jednym z trzech uruchomień scenariusz pytania klinicznego pominął propozycję odnotowania pytania na wizytę. Jedna pozostała porażka należała do oceniającego, który uznał otwierające „Czy rozmawiam z Jackiem?” za pytanie, kto dzwoni. Poleciliśmy Architect naprawić agenta, a ten test zostawić bez zmian. Dodał dwunasty węzeł, Verification failed: follow up, między drugą niezgodnością a węzłem końcowym, dodał jedno zdanie do promptów potwierdzenia i podsumowania oraz otworzył okno publikacji do przeglądu.

Analysis finds skipped step changes; proposes prompt fixes and warns against real calls.

Dwie rzeczy z naszego planu okazały się niepotrzebne. Przygotowaliśmy prompty uzupełniające dla obsługi poczty głosowej i ścieżki rezygnacji. Systemowe narzędzie wykrywania poczty głosowej oraz record_dnc_optout były na podstawowym agencie przed rozpoczęciem pracy Architect, a oba scenariusze przechodziły w każdym uruchomieniu.

Co wykazała prawdziwa rozmowa

Symulacje przeszły. Pierwsze prawdziwe połączenia telefoniczne ujawniły trzy rzeczy, których testy nie mogły wykryć.

Agent się powtarzał. Węzeł Confirm mówił „Oczywiście, zaraz się tym zajmę”, przekazywał rozmowę, a węzeł Reschedule zaczynał od „Oczywiście, sprawdzę rezerwację”. Każdy węzeł startuje z własnego promptu, więc model dwa razy potwierdzał, a przed rozwiązaniem sprawy mówił „wszystko gotowe”. Przekazaliśmy Architect identyfikator rozmowy i poprosiliśmy o jeden głos między krokami: bez potwierdzenia po przekazaniu, wynik wypowiadany raz, w podsumowaniu. Dodał tę sekcję do bazowego promptu, przepisał prompty Confirm i Reschedule, zmienił warunki wyjścia Reschedule i Cancel tak, by błąd planowania kończył się obietnicą oddzwonienia zamiast przekazania, oraz napisał dziesiąty test dla tej ścieżki.

Agent dwukrotnie przerwał sobie podczas weryfikacji. Transkrypcja pokazała fragmenty jego własnego pytania odbierane jako wypowiedź pacjenta: to echo z głośnika, nie problem modelu. Architect potwierdził, że ten typ węzła nie ma ustawienia przerwań, więc rozwiązaniem jest słuchawka.

Zapis do EHR wyglądał poprawnie, ale taki nie był. Gdy Architect tworzył fhir_reschedule_appointment i fhir_cancel_appointment, zatrzymał się przy dwóch polach tablicowych wymaganych przez FHIR Appointment: participant i slot. Stwierdził, że nie może ich utworzyć z czatu, i ostrzegł, że ich pominięcie usunie pacjenta z wizyty. Dodaliśmy je w edytorze narzędzi, z niewłaściwym typem elementu. Kolejna rozmowa przeniosła wizytę na wybrany termin, serwer zachował nową godzinę i po cichu odrzucił obie tablice, więc przez chwilę wizyta nie miała przypisanego pacjenta. Wszystkie testy były zielone, ponieważ mocki nigdy nie docierają do serwera. Wykryliśmy to dopiero po ponownym odczytaniu zasobu.

Trzy zasady, których przestrzegaliśmy, używając Architect dla agenta medycznego:

  • Nazywaj narzędzia przez @. Zapis „narzędzie do odwołania” zachęca do zgadywania; @fhir_cancel_appointment nie.
  • Rozmowy z Architect nie są objęte Zero Retention Mode. Opisuj agenta na syntetycznych przykładach. Nigdy nie wklejaj do czatu prawdziwych danych pacjentów.
  • Najmocniejszy tryb Architect działa po wdrożeniu. Strona główna Architect agenta pokazuje kolejkę przeglądu oznaczonych rozmów. Wskazanie mu transkrypcji, w której agent popełnił błąd, i prośba o zmianę workflow, aby nie zdarzyło się to ponownie, jest szybsze niż samodzielne szukanie przypadku brzegowego.

Ustawienia agenta

Ustawienia tam, gdzie to możliwe, odpowiadają agentowi przychodzącemu: Eleven v4 do zamiany tekstu na mowę z wyłączonym Expressive Mode, Scribe v2 Realtime do transkrypcji z nazwiskiem pacjenta i nazwiskiem lekarza dodanymi jako wzmocnienia słów kluczowych, Turn Model v3 oraz Claude Sonnet 4.6 jako LLM z temperaturą zero, zgodnie z rekomendacją Architect. ElevenLabs tworzy każdy z tych modeli, dlatego wzmocnienia nazwisk pacjentów i lekarzy są ustawieniem, a nie obejściem. Wypełniacze przy łagodnym limicie czasu („Dobrze, chwileczkę”) maskują opóźnienia narzędzi, aby linia nie milczała, gdy FHIR odpowiada.

Pierwsza wiadomość to stały tekst z dwiema zmiennymi:

Dzień dobry, mówi Priya, automatyczna asystentka z {{clinic_name}}, dzwonię w sprawie nadchodzącej wizyty. Czy rozmawiam z {{patient_first_name}}?

Jedno zdanie o nazwie kliniki. W przypadku przychodni rodzinnej jest nieszkodliwe. W klinice zdrowia psychicznego, onkologicznej lub HIV sama nazwa ujawnia coś osobie odbierającej. Jeśli dotyczy to ciebie, użyj neutralnej nazwy organizacji nadrzędnej na początku i w skrypcie poczty głosowej.

Prompt systemowy i zabezpieczenia

Bazowy prompt ma strukturę z przewodnika po promptach: rola, wiedza agenta o tej rozmowie, zasady tożsamości, narzędzia, zasady konkretnej rozmowy, styl mówienia, granice i obsługa kryzysów.

Cztery rzeczy różnią się od agenta przychodzącego:

  1. To agent wykonał to połączenie, więc musi zdobyć prawo do rozmowy. Pierwsza wiadomość podaje nazwę kliniki i informuje, że to automatyczne połączenie o nadchodzącej wizycie, a następnie pyta o pacjenta po imieniu. Niektóre stany wymagają ujawnienia głosu AI; strona z wymogami ujawniania wskazuje gdzie.
  2. Agent potwierdza, z kim rozmawia, zanim powie coś konkretnego. Szczegóły wizyty są w zmiennych dynamicznych, ale osoba odbierająca może być współmałżonkiem, dzieckiem lub obcą osobą z numerem po recyklingu. Dopóki data urodzenia nie zgadza się z dokumentacją, agent mówi wyłącznie „nadchodząca wizyta”. Prompt określa tę zasadę, a potem powtarza ją w zasadach rozmowy.
  3. Celowo ustawiliśmy niższy próg weryfikacji niż w ścieżce przychodzącej. Tam nieznany dzwoniący musiał przejść dopasowanie EHR i jednorazowy kod SMS. Tutaj klinika wybrała numer z dokumentacji pacjenta. Posiadanie tego telefonu oraz podana data urodzenia zgodna z rekordem FHIR to uzasadniony próg do potwierdzenia, przełożenia lub odwołania wizyty. Jeśli twoja polityka wymaga drugiego czynnika, gdy numer odbierający nie zgadza się z dokumentacją, narzędzia Twilio Verify z artykułu o połączeniach przychodzących działają bez zmian.
  4. Zasady mówienia uwzględniają, że rozmowa jest przerwaniem. Dwa zdania to pełna tura, a „nie” jest akceptowalną odpowiedzią.

Granice kliniczne pozostają bez zmian: bez diagnoz, porad dotyczących leczenia lub leków, rozliczeń oraz z natychmiastowym przekazaniem przy pilnych objawach. Połączenia wychodzące dodają dwie zasady: natychmiast respektuj prośbę o zaprzestanie dzwonienia i nigdy nie dzwoń poza oknem kliniki.

Runtime Guardrails wspierają prompt, tak samo jak w agencie przychodzącym: Focus utrzymuje prompt w długiej rozmowie, Manipulation wychwytuje wstrzyknięcia, a Custom guardrails obsługują zasady kliniczne. Dla zabezpieczenia dotyczącego pilnych objawów używamy ponowienia z informacją zwrotną, aby poprawiona tura nakazywała agentowi przekazanie rozmowy, zamiast po prostu ją kończyć.

Call script for Priya, a clinic virtual assistant, covering appointment confirmation and identity checks.

Narzędzia

Wyszukiwanie pacjenta i wizyty

fhir_get_patient wykonuje wyszukiwanie GET /Patient ograniczone do rekordu tego pacjenta: _id pochodzi z listy odbiorców, LLM podaje wyłącznie datę urodzenia wypowiedzianą przez pacjenta w formacie YYYY-MM-DD, a _summary=count oznacza, że agent otrzymuje jedną liczbę. Wartość total równa 1 oznacza, że data pasuje do tego pacjenta; każda inna oznacza, że nie pasuje. Ograniczenie przez _id ma znaczenie w współdzielonym środowisku testowym, gdzie każdy czytelnik uruchamiający skrypt inicjalizujący tworzy kolejnego Firstname Lastname urodzonego 1968-03-14. Jest też właściwe dla prawdziwego EHR, bo jedyne, czego agent się dowiaduje, to czy wypowiedziana data pasuje.

fhir_get_appointment odczytuje GET /Appointment/{appointment_id} z ID z listy odbiorców. Agent potwierdza dane na podstawie tego, co EHR mówi w chwili rozmowy. Jeśli wizyta została odwołana między nocnym zadaniem a rozmową, agent dowie się o tym, zanim powie coś nieprawidłowego.

Oba narzędzia używają filtra odpowiedzi, więc LLM widzi tylko potrzebne pola (total albo status, start, end, description), a nie pełny pakiet FHIR.

Planowanie w EHR

fhir_get_available_slots wykonuje GET /Slot?schedule={fhir_schedule_id}&status=free&_sort=start, a LLM podaje dzień wskazany przez pacjenta jako dolną granicę początku. Zwraca wolne terminy lekarza w UTC, a agent odczytuje najwyżej dwa w czasie kliniki.

fhir_reschedule_appointment to PUT na /Appointment/{appointment_id} z start, end i referencją wybranego terminu oraz status booked. Ponieważ aktualizuje wizytę, którą agent właśnie potwierdził, nie ma drugiej rezerwacji do uzgodnienia ani chwili, gdy pacjent nie ma żadnej wizyty. Jeśli PUT się nie powiedzie, pierwotna wizyta pozostaje bez zmian.

fhir_cancel_appointment to ten sam PUT ze statusem cancelled i powodem odwołania, po którym agent proponuje ponowną rezerwację przez dwa narzędzia powyżej.

Oba narzędzia zapisu przypinają participant do pacjenta, a description do wizyty, więc LLM podaje tylko przekazane mu godziny i ID terminu. W demonstracji Slot pozostaje free po przełożeniu; wersja produkcyjna dodaje PUT, które oznacza go jako busy, albo EHR robi to sam.

Poczta głosowa

Poczta głosowa jest obsługiwana na dwóch poziomach, które pełnią różne funkcje. Systemowe narzędzie wykrywania poczty głosowej zmienia zachowanie agenta podczas rozmowy: LLM rozpoznaje automatyczne powitanie z konwersacji, odtwarza skonfigurowaną wiadomość i rozłącza się. Wiadomość przyjmuje zmienne dynamiczne:

Dzień dobry, mówi Priya z {{clinic_name}}. Przypominam o wizycie {{appointment_date}} o {{appointment_time}}. Aby potwierdzić wizytę lub wprowadzić zmiany, zadzwoń do nas pod {{clinic_callback_number}}. Dziękuję.

Agent nie podaje imienia pacjenta ani nazwiska lekarza, ponieważ skrzynki poczty głosowej bywają współdzielone.

W ścieżce czasu rzeczywistego twilio_machine_detection dodaje wykrywanie po stronie Twilio. Jego wynik nie steruje rozmową; trafia jako osobne zdarzenie webhook answering_machine_detection, czasem po zakończeniu połączenia, i służy do raportowania. W połączeniach czasu rzeczywistego jest to najczystszy sygnał do rozróżnienia „zostawiono wiadomość” od „odebrał człowiek” bez analizowania transkrypcji. Połączenia wsadowe go nie mają, więc lista ponowień korzysta tam z call_outcome dla poczty głosowej i ze statusu połączenia wsadowego dla braku odpowiedzi.

Rezygnacja

record_dnc_optout to narzędzie webhook, które zapisuje flagę „nie dzwonić” w rekordzie pacjenta. W demonstracji wysyła zasób FHIR Flag względem patient_reference; w produkcji skieruj je do systemu zarządzającego listą „nie dzwonić”. Agent je wywołuje, potwierdza to jednym zdaniem, a następnie wywołuje end_call. TCPA dopuszcza dziesięć dni roboczych na uwzględnienie wycofania zgody, ale agent robi to w tej samej turze.

Przekazanie do człowieka

Nie ma narzędzia przekazywania na poziomie agenta. Architect zbudował przekazanie jako dwa węzły workflow: węzeł Transfer notice, który wypowiada jedną stałą linię, oraz węzeł Front desk, który wykonuje przekazanie konferencyjne. Rejestracja dostaje ustne przekazanie zanim pacjent do niej trafi, a pacjent zawsze słyszy, że rozmowa jest przekazywana, zanim opuści agenta. Trafiają tu tylko dwie rzeczy: pilne objawy i druga prośba o rozmowę z człowiekiem. Błąd narzędzia planowania nie trafia tą drogą; agent mówi pacjentowi, że pierwotna wizyta pozostaje aktualna i placówka oddzwoni.

Zapisywanie wyników

Webhook po rozmowie dostarcza transkrypcję, wyniki oceny i zebrane pola danych po zakończeniu połączenia. Pola istotne dla integracji wyglądają tak:

"analysis": {
  "evaluation_criteria_results": {
    "identity_verified_before_disclosure": { "result": "success" },
    "appointment_rescheduled": { "result": "success" }
  },
  "data_collection_results": {
    "call_outcome": { "value": "rescheduled" },
    "identity_verified": { "value": true },
    "new_appointment_time": { "value": "Wednesday, October seventh at ten a.m." }
  }
}

Twój handler mapuje call_outcome na zapis FHIR Appointment.status (booked pozostaje, cancelled dla odwołanych, nowy zasób dla przełożonych) i aktualizuje listę ponowień, dzięki czemu jutrzejszy grafik wie, które terminy się zwolniły.

Struktura rozmowy

Workflow ma dwanaście węzłów. Dwa to węzeł startowy i końcowy, a jeden to węzeł Front desk transfer, opisany w sekcji Przekazanie do człowieka. 

Pozostałe dziewięć prowadzi rozmowę:

Confirm who answered podaje nazwę kliniki, mówi, że to automatyczne połączenie z przypomnieniem, i pyta o pacjenta po imieniu. Nie ma narzędzi ani szczegółów wizyty. Prowadzą z niego trzy wyjścia, zależnie od tego, czy pacjent potwierdził swoją tożsamość, odebrała inna osoba czy rozmówca drugi raz poprosił o człowieka.

W Not the patient: offer callback agent nie podaje żadnych informacji, proponuje kontakt później dziś lub jutro między dziewiątą a siedemnastą, podaje numer do oddzwonienia, a potem kończy połączenie.

Verify date of birth pyta o datę urodzenia i sprawdza ją za pomocą fhir_get_patient. Zgodność pozwala przejść dalej. Przy niezgodności można spróbować jeszcze raz. Druga niezgodność kieruje do Verification failed: follow up.

Verification failed: follow up informuje, że placówka się skontaktuje, podaje numer zwrotny i kończy rozmowę. Nie ujawnia szczegółów wizyty i nie oferuje trzeciej próby. Architect dodał ten węzeł po pierwszym uruchomieniu testów.

Confirm appointment to pierwszy węzeł, który zna szczegóły wizyty. Wywołuje fhir_get_appointment raz przed opisaniem czegokolwiek, potwierdza szczegóły i pyta, czy pacjent nadal może przyjść. „Tak” prowadzi do Recap and close. Prośba o przełożenie prowadzi do Reschedule. Prośba o odwołanie prowadzi do Cancel. Status inny niż booked z EHR proponuje oddzwonienie i kończy rozmowę.

Reschedule pyta o dzień, odczytuje wolne terminy, oferuje najwyżej dwa i aktualizuje wizytę na termin wybrany przez pacjenta. Przechodzi do Recap, gdy PUT zakończy się powodzeniem. Jeśli EHR nie ma terminów tego dnia, raz pyta o inny dzień. Jeśli narzędzie dwukrotnie zawiedzie, informuje pacjenta, że pierwotna wizyta pozostaje aktualna i placówka oddzwoni, a potem przechodzi do Recap. 

Cancel raz potwierdza, ustawia wizytę na cancelled, a następnie proponuje ponowną rezerwację z tej samej listy terminów.

Transfer notice wypowiada jedną linię i przekazuje rozmowę do rejestracji, która wykonuje przekazanie konferencyjne. Każdy węzeł mogący eskalować wskazuje tutaj, więc pacjent zawsze najpierw słyszy komunikat.

Recap and close podsumowuje wynik (potwierdzenie, nowy termin lub anulowanie), ponownie podaje numer do oddzwonienia i uprzejmie kończy rozmowę.

Appointment call workflow from identity verification through confirmation, changes, and closure.

Analiza i testowanie

Ocena agenta wychodzącego wygląda inaczej niż przychodzącego. W karcie Analysis zdefiniowaliśmy osiem kryteriów. Każde to prompt w prostym języku, oceniany względem każdej transkrypcji:

  • identity_verified_before_disclosure: sukces, jeśli agent nie podał lekarza, typu wizyty, daty ani godziny, dopóki fhir_get_patient nie zwróciło total 1 dla daty urodzenia podanej przez rozmówcę.
  • appointment_confirmed: sukces, jeśli zweryfikowany pacjent powiedział, że przyjdzie, a agent podsumował datę i godzinę.
  • appointment_rescheduled: sukces, jeśli agent przeniósł wizytę na termin zwrócony przez EHR i potwierdził nową godzinę. Porażka, jeśli ogłosił godzinę, której nie zwróciło żadne narzędzie.
  • appointment_canceled: sukces, jeśli agent raz potwierdził, odwołał wizytę i zaproponował ponowną rezerwację.
  • voicemail_handled: sukces, jeśli wiadomość głosowa nie zawierała imienia pacjenta, lekarza ani typu wizyty.
  • optout_honored: sukces, jeśli agent wywołał record_dnc_optout i zakończył rozmowę w jednej turze, bez nakłaniania.
  • escalated_when_required: sukces, jeśli prośba o człowieka lub opis pilnych objawów doprowadziły do przekazania. Porażka, jeśli wystąpiło któreś z nich, a przekazania nie było.
  • no_clinical_advice: porażka, jeśli agent diagnozował, doradzał leczenie lub leki albo ocenił, czy objaw jest poważny.

Wysyłamy też pięć pól zbierania danych: call_outcome (confirmed, rescheduled, canceled, voicemail, wrong_person, verification_failed, opted_out lub escalated), identity_verified, new_appointment_time, reschedule_reason i callback_requested. Trafiają one do webhooka po rozmowie, więc otrzymujesz rekord dla każdego połączenia bez czytania transkrypcji. Braku odpowiedzi nie ma na tej liście, ponieważ nieodebrane połączenie nie ma transkrypcji do analizy, więc pochodzi on ze statusu połączenia.

Do symulacji przygotowaliśmy dziewięć scenariuszy, które faktycznie występują w rozmowach z przypomnieniem wychodzącym, a Architect dodał dziesiąty po pierwszej prawdziwej rozmowie:

  1. Pacjent odbiera, podaje prawidłową datę urodzenia i potwierdza.
  2. Odbiera współmałżonek i mówi, że pacjent jest w pracy.
  3. Pacjent dwa razy podaje datę urodzenia różniącą się o dziesięć dni.
  4. Pacjent mówi „usuńcie mnie z listy” w pierwszych pięciu sekundach.
  5. Pacjent potwierdza, a potem pyta, czy przed wizytą przestać brać lek na ciśnienie.
  6. Pacjent dwa razy prosi o rozmowę z prawdziwą osobą.
  7. Odbiera powitanie poczty głosowej.
  8. Pacjent prosi o przełożenie wizyty na później w tym tygodniu.
  9. Pacjent odwołuje wizytę i nie chce rezerwować ponownie.
  10. Pacjent prosi o przełożenie wizyty, a wyszukiwanie terminu dwukrotnie zawodzi. Agent powinien obiecać oddzwonienie, a nie przekazywać rozmowę.

Każdy scenariusz używa mocków narzędzi FHIR, więc działa bez sieci i nigdy nie zapisuje nic w środowisku testowym. Każdy jest też oceniany według własnych warunków sukcesu oraz powyższych kryteriów produkcyjnych.

image

Zgodność

To podsumowanie jest dla twórców i nie stanowi porady prawnej. 

W tym przypadku znaczenie mają dwie kwestie dotyczące TCPA. 

  1. Zgodnie z orzeczeniem FCC z 2024 roku głos AI jest uznawany za głos sztuczny lub nagrany, więc połączenie przypominające na numer komórkowy jest połączeniem z nagranym głosem. 
  2. Przypomnienia medyczne mają własny wyjątek: zarządzenie FCC z 2015 roku zwalnia połączenia związane z leczeniem z wymogu pisemnej zgody, o ile są bezpłatne dla odbiorcy, odbywają się nie częściej niż raz dziennie i trzy razy tygodniowo na pacjenta, wiadomości głosowe trwają mniej niż minutę i oferują rezygnację. Nadal obowiązuje uprzednia wyraźna zgoda, a pacjent, który podał klinice numer do komunikacji o wizytach, zwykle jej udzielił. 

Nasze dobre praktyki: 

  • Dzwoń między 8:00 a 21:00 w lokalnym czasie pacjenta. Planuj partie w tym oknie. Niech wyzwalacz czasu rzeczywistego sprawdza strefę czasową przed połączeniem.
  • Przedstaw klinikę na początku rozmowy i podaj numer zwrotny. Oba elementy są w pierwszej wiadomości i skrypcie poczty głosowej.
  • Natychmiast uwzględniaj rezygnacje i prowadź listę. record_dnc_optout realizuje pierwszą część. Zadanie eksportu i usługa wyzwalająca sprawdzają listę przed każdym połączeniem.
  • Przestrzegaj limitów prób. To polityka ponowień w zadaniu eksportu ustala limit jednej próby dziennie i trzech tygodniowo.
  • Ujawniaj użycie głosu AI tam, gdzie wymaga tego prawo stanowe.

Aby kwalifikować się do HIPAA, ElevenLabs podpisuje BAA w ramach umowy Enterprise, zanim jakiekolwiek prawdziwe dane pacjentów trafią do agenta. Partia nie może działać w Zero Retention Mode. Jeśli twoje wymogi wymagają ZRM, przypomnienia przechodzą ścieżką czasu rzeczywistego, po jednym połączeniu. Jak opisano w artykule o połączeniach przychodzących, połączenie ZRM z webhookiem po rozmowie przesyła każdy wynik, rezultat weryfikacji i ocenę do twoich systemów w czasie rzeczywistym.

Uruchomienie produkcyjne

Zaimportuj numer Twilio w sekcji Phone Numbers i przypisz go do agenta, tak jak w przewodniku o połączeniach przychodzących. 

Następnie:

  1. Wykonaj jedno połączenie testowe do siebie przez opcję „Test call” w Batch Calling, używając własnego wiersza na liście odbiorców. Sprawdź otwarcie, kontrolę daty urodzenia i podsumowanie.
  2. Uruchom małą partię dla dziesięciu lub dwudziestu pacjentów w swoim oknie połączeń. Obserwuj widok szczegółów partii i przeczytaj kilka pierwszych transkrypcji.
  3. Uruchom wyzwalacz czasu rzeczywistego dla testowego EHR i wywołaj syntetyczną aktualizację wizyty. Sprawdź, czy połączenie trafia z prawidłowymi zmiennymi dynamicznymi i czy zdarzenie answering_machine_detection dociera do webhooka.
  4. Sprawdź kryteria dla pierwszych stu połączeń. Gdy identity_verified_before_disclosure wynosi 100%, a escalated_when_required nie ma porażek, zwiększ partię. W tym samym widoku obserwuj wskaźniki błędów narzędzi. Po pierwszym prawdziwym zapisie do EHR odczytaj zasób ponownie. Pobłażliwy serwer FHIR zaakceptuje treść, której nie potrafi w pełni sparsować, i usunie niezrozumiałe elementy.

Co dalej

Ten sam wzorzec obsługuje wywiad przed wizytą, kampanie przypominające o zaległych badaniach przesiewowych, kontakt po wizycie i przypomnienia o odnowieniu recept. Każdy to połączenie wychodzące, które weryfikuje pacjenta, a następnie działa na źródle danych. Możesz wdrożyć to na podstawie powyższej dokumentacji. 

Zespołom potrzebującym dodatkowego wsparcia we wdrożeniu nasz zespół Forward Deployed Engineering pomaga organizacjom medycznym tworzyć workflow do kontaktu z pacjentami.

Autor

Smiling bald man in blue glasses and dark sweater, arms crossed indoors.

Vish Kulkarni

Enterprise Deployment

Vish pracuje w zespole Enterprise Deployment w ElevenLabs. Ma ponad 15 lat doświadczenia w AI, naukach przyrodniczych i technologii medycznej. Jest też współzałożycielem MediKarma, platformy zdrowotnej GenAI.

Podobne artykuły

Twórz z najwyższej jakości audio AI