Vi presenterar Eleven v4Möt Eleven v4, vår mest uttrycksfulla modell hittills.

Hoppa till innehållet

ElevenAgents för vården: bygg en utgående agent för påminnelser om bokade tider med Architect

Skriven av
Vish Kulkarni
Publicerad

LyssnaLyssna på den här artikeln

Nästan ett av fyra vårdbesök blir aldrig av. En systematisk översikt av 105 studier visade en genomsnittlig uteblivandefrekvens på 23 %, och i en undersökning i augusti uppgav 32 % av vårdgrupperna att frekvensen var högre 2026 än 2025, upp från 27 % året innan. Rekordhöga självrisker får patienter att tveka inför besök som de bokade för sex veckor sedan. Kostnaden syns i intäkterna, men också i en uppskjuten screening eller en uppföljning som blir ett akutbesök.

Det här inlägget visar hur du bygger en utgående röstagent i ElevenAgents som ringer patienter före ett besök, verifierar deras födelsedatum och bekräftar, bokar om eller avbokar tiden i det elektroniska journalsystemet (EHR) under samtalet. Tiden blir tillgänglig igen medan det fortfarande finns tid att fylla den. Agenten byggdes med Architect, assistenten i ElevenAgents, och kan köras som en nattlig batch eller i realtid från EHR-händelser.

Metoden fungerar redan. Everlywell använder ElevenAgents för att påminna medlemmar om aktuella screeningar och såg en förbättring på 10 % i genomförda screeningar jämfört med traditionellt interaktivt talsvar (IVR), med 3,5 gånger högre konvertering bland spansktalande medlemmar. Ovianta använder ElevenAgents för uppföljning efter behandlingsförslag och nådde 68 % patientengagemang, 25 % ökad behandlingskonvertering och 83 % färre manuella uppföljningssamtal för klinikpersonalen.

Det här är det andra inlägget i en serie om vården. Det första handlade om en agent för inkommande tidsbokning som svarar när patienter ringer för att boka. För att köra den utgående agenten för en hel patientlista kan vårdteam använda Campaign Manager, som nu finns i ElevenAgents. Den hanterar samtalsfönster, uppringning i lokal tid, återförsök och röstbrevlåda, och följer varje patient i en och samma process från första samtalet till bekräftat besök.

Så bekämpar kliniker uteblivanden i dag

De flesta mottagningar har redan någon form av påminnelseprogram. Det är svårt att skala upp när receptionspersonal ringer patienter manuellt. Den typen av samtal sker bara under öppettider och använder samma personer som svarar i inkommande telefonlinjen, så det stannar av när schemat blir fullt.

Påminnelser via sms och e-post är billiga att köra och kan nå alla, men fungerar oftast bara åt ett håll. Engagemanget minskar för äldre patienter och för alla vars förstaspråk inte är språket som meddelandet skrevs på.

Automatiserade IVR-samtal ligger mellan dessa metoder. De kan skalas och använder telefonen. Men en meny med ”tryck 1 för att bekräfta” kan fortfarande inte hantera en ombokning, kan inte verifiera identitet på ett meningsfullt sätt och lämnar över dåligt när patienten ställer en fråga.

Outsourcade callcenter ger mänskliga samtal i stor skala, men till en hög kostnad per samtal. Kvaliteten varierar mellan arbetspass, och fler personer utanför organisationen hanterar skyddade hälsouppgifter.

Forskningen pekar åt ett håll när det gäller leverans: en påminnelse som når patienten direkt fungerar mycket bättre än en som inte gör det. En studie från Veterans Health Administration visade 3 % uteblivanden när en telefonpåminnelse nådde patienten direkt, 24 % när den gick till röstbrevlådan och 39 % när ingen svarade och inget röstmeddelande lämnades. För många vårdsystem är det bara ett samtal från receptionen som både kan verifiera patienten och ändra schemat vid samma kontakt, men det går inte att skala. Med ElevenAgents kan vårdsystem nu nå patienter proaktivt, göra ändringar i schemat i realtid och skala upp kontakterna. 

Det vi bygger

Den utgående påminnelseagenten körs på samma plattform, med samma verktyg och säkerhetsgranskning som agenten för inkommande bokning, så en leverantör täcker både första kontakten och uppföljningen. Den ringer patienten före besöket, bekräftar identiteten och läser den aktuella bokningen från EHR. Därefter bekräftar, bokar om eller avbokar den tiden utifrån vårdgivarens lediga tider.

Agenten hanterar även specialfall. Om samtalet går till röstbrevlådan lämnar den ett meddelande. Om en patient ber att inte bli uppringd igen registrerar den spärren så att inga framtida samtal görs. Om en patient vill prata med en person kopplar den till receptionen. En nattlig export kan starta den som en schemalagd batch, eller så kan EHR-händelser i realtid starta ett samtal i taget.

ElevenLabs byggde den här agenten med Architect, assistenten i ElevenAgents som kan läsa och redigera en agents konfiguration, workflow, verktyg och tester från en chatt. I föregående inlägg konfigurerades varje nod manuellt. Den här gången beskrevs samtalet med vanlig text, och Architect byggde workflowet.

Förutsättningar

För att bygga den utgående agenten behöver du:

  • Ett ElevenLabs-konto med ElevenAgents.
  • Ett Twilio-nummer importerat till ElevenAgents eller en SIP-trunk.
  • Ett EHR i sandboxmiljö. Vi använder den offentliga HAPI FHIR R4-servern med syntetiska patient- och bokningsuppgifter. Ingenting verkligt finns på servern; den är läsbar för alla.
  • Ingen separat kalender. Bokningen läser och skriver EHR:ets Schedule-, Slot- och Appointment-resurser, på samma sätt som ett system för mottagningsadministration.
  • Endast för realtidsspåret: en plats att köra en liten triggertjänst som lyssnar på ditt EHR och anropar ElevenLabs API. En serverlös funktion räcker.

Skapa en syntetisk patient och en bokning så att agenten har något att påminna om:

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\"}]}"

Skapa sedan ett Schedule för vårdgivaren och några lediga Slots i det: ett POST /Schedule, och ett POST /Slot för varje ledig tid med en schedule-referens, status free, samt UTC-start och end. Spara de tre ID:na. Patient-ID:t blir patient_id (och, med prefixet Patient/, patient_reference), boknings-ID:t blir appointment_id och schemat blir fhir_schedule_id.

Arkitektur

Agenten är densamma oavsett hur ett samtal startar. Det som skiljer sig är triggern, som avgör aktualitet, kostnad och efterlevnadsläge.

Spår A: schemalagd batch

Föreställ dig att ett jobb varje kväll frågar EHR:et efter morgondagens bokningar:

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

Jobbet plattar ut varje bokning till en rad och omvandlar UTC-tidsstämpeln till ord i klinikens lokala tid, eftersom agenten läser upp tiden och en TTS-modell inte ska behöva gissa hur. phone_number är den enda obligatoriska kolumnen. Alla andra kolumner blir dynamiska variabler som agenten kan använda i sin prompt, sitt första meddelande och verktygsanrop:

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"

Filen skickas till Batch Calling, antingen genom uppladdning i dashboarden eller via API:t. Du väljer agenten, det utgående numret och en starttid inom ditt samtalsfönster. Batchsamtal använder en begränsad andel av samtidigheten (det lägsta av 50 % av arbetsytans gräns eller 70 % av agentens), så att en stor påminnelsekörning inte tränger undan den inkommande linjen.

Exportjobbet ansvarar också för återförsökspolicyn. Den som hamnade i röstbrevlådan eller inte svarade kommer med på nästa dags lista vid en annan tid. Högst tre försök per patient och vecka tillåts, och ett bekräftat, avbokat, ombokat eller spärrat resultat tar bort dem. Exportjobbet fattar alla beslut om återförsök. För en mottagning som bokar de flesta besök mer än en dag i förväg är batch rätt standardval och minst arbete.

Spår B: realtid från EHR

Batch har en blind fläck: allt som ändras efter exporten, till exempel bokningar samma dag, en patient som flyttats från 08.00 till 15.00 eller en tid som blev ledig efter en avbokning. För dessa lyssnar en liten triggertjänst på bokningshändelser från EHR:et (en FHIR Subscription, en webhook från systemet för mottagningsadministration eller ett jobb som frågar varannan minut) och placerar ett samtal i taget via API:t för utgående samtal:

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 aktiverar Twilios detektering av telefonsvarare vid sidan av agentens eget röstbrevlådeverktyg, som vi går igenom under Verktyg. Och eftersom varje samtal startar individuellt kan det köras i Zero Retention Mode, vilket batchsamtal inte kan.

Välja mellan dem

Schemalagd batch

Realtidstrigger

Installation

Dashboard eller ett API-anrop

Liten triggertjänst

Aktualitet

Vid exporttillfället

Sekunder efter EHR-ändringen

Bokningar samma dag och sena ändringar

Missas

Täcks

Zero Retention Mode

Inte tillgängligt

Tillgängligt

Samtidighet

Begränsad andel av arbetsytan

Det du skickar

Passar bäst för

Många påminnelser för nästa dag

Ändringar samma dag; driftsättningar som kräver ZRM

En praktisk konfiguration kör båda. Batch hanterar huvuddelen av påminnelserna för nästa dag, medan realtidsspåret tar upp allt som ändrats efter exporten och allt som måste köras med ZRM.

Ett system som källa

Agenten läser bokningen från FHIR och ändrar den i FHIR. Lediga tider kommer från Slot, en ombokning är en PUT på samma Appointment som agenten just bekräftade och en avbokning ändrar dess status. Det finns inget att stämma av mot journalen efteråt, EHR:et är korrekt när samtalet avslutas, och varje skrivning agenten gör är en FHIR-resurs som redan täcks av din revisionslogg. Webhooken efter samtalet skickar fortfarande resultatet vidare till efterföljande system. Om mottagningen använder ett separat bokningssystem byter du ut de tre bokningsverktygen mot systemets API; de två workflow-noderna är desamma.

Nummerpresentation

Det är svårt att nå patienter om telefonen visar ”Misstänkt spam”. Registrera det utgående numret före första batchen så att samtalen får full STIR/SHAKEN-attestering, ställ in CNAM så att klinikens namn visas och titta på Twilios alternativ för varumärkta samtal för de operatörer som dina patienter använder, eftersom en påminnelse som filtreras bort inte händer.

Bygg med Architect

I inlägget om inkommande samtal konfigurerades varje nod, verktyg och kantvillkor manuellt. Här började vi med en agent som hade FHIR-verktygen anslutna, systemverktygen aktiverade, en grundprompt för roll, gränser och hur den ska tala, samt nio simuleringstester. Inget workflow. Vi öppnade fliken Architect och beskrev samtalet:

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 byggde workflowet stegvis och pausade två gånger: en gång för att fråga om osparade ändringar i redigeraren och en gång för att fråga om resten av flödet skulle slutföras före publicering. Architect återkom med elva noder och namngav dem själv: en startnod, Confirm who answered, Not the patient: offer callback, Verify date of birth, Confirm appointment, Reschedule, Cancel, Recap and close, en Transfer notice-nod som säger en fast rad, en Front desk transfer-nod och en slutnod.

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

Verktygens avgränsning blev rätt. fhir_get_patient finns bara på Verify. fhir_get_appointment finns bara på Confirm. Bokningsverktygen finns på Reschedule och Cancel. Architect tog också bort verktyget transfer_to_number på agentnivå så att enda vägen till receptionen går via meddelandenoden, och markerade två saker som den inte kunde slutföra själv: en inställning i noden Transfer notice som inte hade sparats, och två rader i vår grundprompt som fortfarande bad agenten anropa ett verktyg som inte längre fanns. Architect erbjöd sig att skriva om raderna eller köra testerna, och vi lät den skriva om båda.

Vad testerna visade

Fem av nio godkändes. Två av felen var exakt det en påminnelseagent ska förhindra. I bekräftelsescenariot läste agenten upp ”måndag den femte oktober klockan två på eftermiddagen med dr Okafor” så fort patienten sa ”ja, det här är Jack”, innan något födelsedatum hade kontrollerats och identiteten verifierats. I ombokningsscenariot anropades inget bokningsverktyg alls; agenten meddelade en ny tid som den hade hittat på. Ytterligare två tester kördes inte eftersom deras fixtures saknade en patient_id-variabel.

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

Architects första instinkt var att begränsa skadan: lägga tillbaka verktygen på basagenten så att samtalet fungerar även om workflowet inte tar över. Teamet bad den undersöka först, och mindre än en minut senare hade Architect hittat orsaken.

Varje nod lämnar över till nästa genom att anropa ett dolt verktyg för stegbyte, och modellen avgör vid varje tur om den ska anropa det. I avbokningstestet anropade modellen det i varje steg och följde den avsedda vägen. I de två felen svarade modellen direkt ”ja, det här är Jack” och lämnade aldrig öppningsnoden, där inga FHIR-verktyg finns.

Två saker gjorde det mer sannolikt. Grundprompten innehöll fortfarande fullständiga bokningsdetaljer och beskrev hela samtalet, så öppningsnoden trodde att den kunde hantera allt själv. Öppningsnodens prompt sade också vad den inte fick dela, men bad den aldrig att lämna över.

Architect föreslog en lösning i tre delar, som teamet godkände:

  1. Flytta bokningsdetaljerna från grundprompten till endast Confirm appointment, så att en nod som aldrig ser detaljerna inte kan läcka dem även när ett stegbyte misslyckas. 
  2. Skriv om varje nodprompt så att den anger sin enda uppgift och lämnar över så snart dess utträdesvillkor är uppfyllt. 
  3. Byt modell från Haiku till Sonnet, eftersom beslutet att lämna över är probabilistiskt och en starkare modell missar det mer sällan. Kör sedan om sviten, med de två felande testerna tre gånger vardera.

Vid omkörningen godkändes bekräftelse och ombokning tre av tre gånger. Detaljerna stannade bakom verifieringsgrinden och inget hittades på. Architect rättade också de fem tester som saknade patient_id och skrev om en kontroll i eskaleringstestet som fortfarande letade efter transfer_to_number. Det som återstod var mindre. Vägen vid andra felmatchningen avslutade samtalet utan att säga att mottagningen skulle följa upp, och i en av tre körningar hoppade scenariot med klinisk fråga över erbjudandet att anteckna frågan inför besöket. Ett återstående fel tillhörde granskaren, som räknade öppningsfrågan ”Pratar jag med Jack?” som att fråga vem uppringaren var. Vi bad Architect att rätta agenten och lämna det testet. Den lade till en tolfte nod, Verification failed: follow up, mellan den andra felmatchningen och slutnoden, lade till en mening i promptarna för bekräftelse och sammanfattning samt öppnade publiceringsdialogen för granskning.

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

Två saker i vår plan visade sig vara onödiga. Vi hade utformat uppföljningsprompter för röstbrevlådehantering och en spärrväg. Systemverktyget för röstbrevlådedetektering och record_dnc_optout fanns på basagenten innan Architect började, och båda scenarierna godkändes vid varje körning.

Vad ett riktigt samtal visade

Simuleringarna godkändes. De första riktiga telefonsamtalen visade tre saker som testerna inte kunde upptäcka.

Agenten upprepade sig. Confirm-noden sade ”Självklart, jag ordnar det”, lämnade över och Reschedule-noden öppnade med ”Självklart, jag tar fram din bokning.” Varje nod startar från sin egen prompt, så modellen bekräftade två gånger och sade ”allt är klart” innan något var klart. Vi gav Architect konversations-ID:t och bad om en gemensam röst mellan stegen: ingen bekräftelse efter en överlämning, och resultatet ska sägas en gång, i sammanfattningen. Den lade till avsnittet i grundprompten, skrev om promptarna för Confirm och Reschedule, ändrade utträdesvillkoren för Reschedule och Cancel så att ett bokningsfel avslutas med ett löfte om återuppringning i stället för överföring och skrev ett tionde test för den vägen.

Agenten avbröt sig själv två gånger under verifieringen. Transkriptionen visade delar av dess egen fråga som kom in som patienttal: eko från högtalartelefonen, inte ett modellproblem. Architect bekräftade att nodtypen saknar inställning för avbrott, så lösningen är en telefonlur.

Skrivningen till EHR:et såg rätt ut men var det inte. När Architect skapade fhir_reschedule_appointment och fhir_cancel_appointment stannade den vid de två arrayfält som en FHIR Appointment behöver, participant och slot. Den sade att den inte kunde skapa dem från chatten och varnade för att om de utelämnades skulle patienten försvinna från bokningen. Vi lade till dem i verktygsredigeraren, med fel elementtyp. Nästa samtal flyttade bokningen till den valda tiden, servern behöll den nya tiden och kastade tyst båda arrayerna, och i en minut hade bokningen ingen patient. Alla tester var gröna, eftersom mockarna aldrig når servern. Det var läsningen av resursen igen som upptäckte det.

Tre regler vi följde när vi använde Architect för en vårdagent:

  • Namnge verktyg med @. Att skriva ”avbokningsverktyget” inbjuder till en gissning; @fhir_cancel_appointment gör inte det.
  • Architect-konversationer omfattas inte av Zero Retention Mode. Beskriv agenten med syntetiska exempel. Klistra aldrig in verkliga patientuppgifter i chatten.
  • Architects starkaste läge är efter lansering. Agentens Architect-startsida visar en granskningskö med flaggade konversationer. Att peka den mot en transkription där agenten gjorde fel och be den ändra workflowet så att det inte kan hända igen går snabbare än att själv hitta specialfallet.

Agentinställningar

Inställningarna speglar agenten för inkommande samtal där det går. Eleven v4 för Text to Speech med Expressive Mode av, Scribe v2 Realtime för transkribering med patientens efternamn och vårdgivarens namn som keyword boosts, Turn Model v3 och Claude Sonnet 4.6 som LLM med temperatur noll, enligt Architects rekommendation. ElevenLabs bygger var och en av dessa modeller, vilket är varför boostning av efternamn och vårdgivarnamn är en inställning, inte en nödlösning. Utfyllnader vid mjuk timeout (”Okej, en sekund”) täcker verktygsfördröjning så att linjen aldrig blir tyst medan FHIR svarar.

Det första meddelandet är fast text med två variabler:

Hej, det här är Priya, den automatiska assistenten från {{clinic_name}}, som ringer om en kommande bokning. Pratar jag med {{patient_first_name}}?

En mening om själva kliniknamnet. För en familjemottagning är det ofarligt. För en klinik för psykisk hälsa, onkologi eller HIV avslöjar namnet i sig något för den som svarar. Använd ett neutralt namn på moderorganisationen i inledningen och röstbrevlådemeddelandet om det gäller dig.

Systemprompt och skyddsräcken

Grundprompten följer strukturen från promptguiden: roll, vad agenten vet om detta samtal, identitetsregler, verktyg, samtalsspecifika regler, talstil, gränser och krishantering.

Fyra saker skiljer sig från agenten för inkommande samtal:

  1. Agenten ringde detta samtal, så den måste förtjäna samtalet. Det första meddelandet anger klinikens namn och att detta är ett automatiserat samtal om en kommande bokning, och frågar sedan efter patienten med förnamn. Vissa delstater kräver att en AI-röst uppges; sidan med upplysningskrav visar var.
  2. Agenten bekräftar vem den pratar med innan den säger något specifikt. Bokningsdetaljerna finns i de dynamiska variablerna, men den som svarar kan vara en partner, ett barn eller en främling med ett återanvänt nummer. Tills födelsedatumet matchar uppgifterna säger agenten ”en kommande bokning” och inget mer. Prompten anger regeln och upprepar den sedan under samtalsspecifika regler.
  3. Vi satte medvetet verifieringsnivån lägre än i flödet för inkommande samtal. Där måste en okänd uppringare klara en EHR-matchning och en engångskod via sms. Här ringde kliniken numret i patientens journal. Tillgång till telefonen plus ett uppgivet födelsedatum som matchar FHIR-uppgifterna är en försvarbar nivå för att bekräfta, flytta eller avboka en tid. Om din policy kräver en andra faktor när numret som svarar inte matchar uppgifterna kan Twilio Verify-verktygen från det inkommande inlägget användas oförändrade.
  4. Talreglerna tar hänsyn till att samtalet är ett avbrott. Två meningar är en fullständig tur, och ”nej” är ett godtagbart svar.

Kliniska gränser följer med oförändrade: inga diagnoser, inga råd om behandling eller läkemedel, ingen fakturering och omedelbar överföring vid akuta symtom. Utgående samtal lägger till två regler: respektera genast en begäran om att sluta ringa och ring aldrig utanför klinikens tidsfönster.

Runtime Guardrails stöder prompten, precis som för den inkommande agenten: Focus för att behålla prompten under ett långt samtal, Manipulation för att fånga injektioner och Custom guardrails för de kliniska reglerna. För skyddsräcket för akuta symtom använder vi återförsök med feedback, så att den korrigerade turen instruerar agenten att överföra i stället för att samtalet bara avslutas.

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

Verktyg

Sökning av patient och bokning

fhir_get_patient kör en GET /Patient-sökning begränsad till den här patientens uppgifter: _id kommer från mottagarlistan, LLM:en anger bara födelsedatumet som patienten sade i YYYY-MM-DD, och _summary=count innebär att agenten får tillbaka ett tal. Ett total på 1 betyder att datumet matchar patienten; allt annat betyder att det inte gör det. Begränsning med _id är viktigt i en delad sandboxmiljö, där varje läsare som kör seed-skriptet skapar ytterligare en Firstname Lastname född 1968-03-14, och det är också rätt utformning mot ett riktigt EHR, eftersom det enda agenten någonsin får veta är om det uppgivna datumet matchade.

fhir_get_appointment läser GET /Appointment/{appointment_id} med ID:t från mottagarlistan. Agenten bekräftar mot vad EHR:et säger just när samtalet sker. Om bokningen avbokades mellan nattjobbet och samtalet får agenten veta det innan den säger något fel.

Båda verktygen använder ett svarsfilter så att LLM:en bara ser fälten den behöver (total, eller status, start, end, description) i stället för ett helt FHIR-paket.

Bokning i EHR

fhir_get_available_slots kör GET /Slot?schedule={fhir_schedule_id}&status=free&_sort=start, där dagen patienten frågade om tillhandahålls av LLM:en som startgräns. Det returnerar vårdgivarens lediga tider i UTC, och agenten läser upp högst två i klinikens tid.

fhir_reschedule_appointment är en PUT på /Appointment/{appointment_id} med den valda tidens start, end och referens, status booked. Eftersom den uppdaterar bokningen som agenten just bekräftade finns ingen andra bokning att stämma av och inget tillfälle då patienten saknar en. Om PUT misslyckas är den ursprungliga bokningen orörd.

fhir_cancel_appointment är samma PUT med status cancelled och en avbokningsorsak, följt av ett erbjudande om att boka igen via de två verktygen ovan.

Båda skrivverktygen låser participant till patienten och description till besöket, så LLM:en bara anger tiderna och slot-ID:t som den fick. I demon förblir Slot free efter en ombokning; en produktionslösning lägger till PUT som markerar den som busy, eller låter EHR:et göra det självt.

Röstbrevlåda

Röstbrevlådan hanteras på två nivåer som gör olika jobb. Systemverktyget för röstbrevlådedetektering ändrar agentens beteende i samtalet: LLM:en känner igen en automatisk hälsning från konversationen, spelar upp det konfigurerade meddelandet och lägger på. Meddelandet använder dynamiska variabler:

Hej, det här är Priya från {{clinic_name}} med en påminnelse om en bokning den {{appointment_date}} klockan {{appointment_time}}. För att bekräfta eller göra ändringar, ring oss på {{clinic_callback_number}}. Tack.

Agenten delar inte patientens namn eller vårdgivarens namn, eftersom röstbrevlådor kan delas.

I realtidsspåret lägger twilio_machine_detection till detektering på Twilio-sidan. Dess bedömning styr inte konversationen; den kommer som en separat answering_machine_detection-webhookhändelse, ibland efter att samtalet har avslutats, och används för rapportering. I realtidssamtal är det den tydligaste signalen för att skilja ”lämnade röstmeddelande” från ”människa svarade” utan att tolka transkriptioner. Batchsamtal har inte detta, så där byggs återförsökslistan från call_outcome för röstbrevlåda och från batchsamtalets status för inget svar.

Spärr

record_dnc_optout är ett webhookverktyg som skriver en ring-inte-markering i patientens uppgifter. I demon skickar det en FHIR Flag-resurs mot patient_reference; i produktion pekar du det på systemet som ansvarar för din ring-inte-lista. Agenten anropar det, bekräftar med en mening och anropar sedan end_call. TCPA tillåter tio arbetsdagar för att respektera ett återkallande, men agenten gör det i samma tur.

Överföring till människa

Det finns inget överföringsverktyg på agentnivå. Architect byggde överlämningen som två workflow-noder: en Transfer notice-nod som säger en fast rad och en Front desk-nod som utför konferensöverföringen. Receptionen får en muntlig överlämning innan patienten kommer fram, och patienten hör alltid att en överföring sker innan samtalet lämnar agenten. Bara två saker når den: akuta symtom och en andra begäran om en person. Ett fel i bokningsverktyget gör det inte; agenten säger till patienten att den ursprungliga tiden fortfarande gäller och att mottagningen ringer tillbaka.

Skriva tillbaka resultat

En webhook efter samtalet skickar transkriptionen, utvärderingsresultat och insamlade datafält när samtalet avslutas. Fälten som din integration bryr sig om ser ut så här:

"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." }
  }
}

Din hanterare mappar call_outcome till en FHIR-skrivning av Appointment.status (booked behålls, cancelled för avbokade, en ny resurs för ombokade) och uppdaterar återförsökslistan, vilket gör att morgondagens schema vet vilka tider som öppnades igen.

Strukturera samtalet

Workflowet har tolv noder. Två är start- och slutnoderna, och en är noden Front desk transfer som beskrivs under Överföring till en människa. 

De andra nio driver konversationen:

Confirm who answered anger klinikens namn, säger att det här är ett automatiserat påminnelsesamtal och frågar efter patienten med förnamn. Den har inga verktyg och inga bokningsuppgifter. Tre vägar går ut från den, beroende på om patienten bekräftade, någon annan svarade eller personen bad om att få prata med en människa två gånger.

Not the patient: offer callback innebär att agenten inte delar någon information, erbjuder en tid senare i dag eller i morgon mellan nio och fem, ger numret för återuppringning och avslutar sedan samtalet.

Verify date of birth ber om födelsedatumet och kontrollerar det med fhir_get_patient. En träff för samtalet vidare. Vid avvikelse får personen ett nytt försök. Vid en andra avvikelse går samtalet vidare till Verifiering misslyckades: uppföljning.

Verification failed: follow up säger att mottagningen hör av sig, ger återuppringningsnumret och avslutar samtalet. Den delar inga bokningsdetaljer och erbjuder inget tredje försök. Architect lade till denna nod efter första testkörningen.

Confirm appointment är den första noden som känner till bokningen. Den anropar fhir_get_appointment en gång innan den beskriver något, bekräftar detaljerna och frågar om patienten fortfarande kan komma. Ja går till Recap and close. En begäran om flytt går till Reschedule. En begäran om avbokning går till Cancel. En status som inte är booked från EHR:et erbjuder återuppringning och avslutar.

Reschedule frågar efter en dag, läser de lediga tiderna, erbjuder högst två och uppdaterar bokningen till den patienten väljer. Den går till Recap när PUT lyckas. Om EHR:et saknar tider den dagen frågar den efter en annan dag, en gång. Om ett verktyg misslyckas två gånger säger den att den ursprungliga tiden fortfarande gäller och att mottagningen ringer tillbaka, och går sedan till Recap. 

Cancel bekräftar en gång, sätter bokningen till cancelled och erbjuder sedan ombokning från samma lista över tider.

Transfer notice säger en rad och skickar vidare till receptionen, som utför konferensöverföringen. Varje nod som kan eskalera pekar hit, så patienten hör alltid raden först.

Recap and close sammanfattar resultatet (bekräftat, den nya tiden eller avbokat), upprepar numret för återuppringning och avslutar vänligt.

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

Analys och testning

Utvärdering av en utgående agent ser annorlunda ut än för en inkommande. På fliken Analysis definierade vi åtta kriterier. Varje kriterium är en prompt på vanlig svenska som poängsätts mot varje transkription:

  • identity_verified_before_disclosure: godkänt om agenten inte angav vårdgivare, besökstyp, datum eller tid förrän fhir_get_patient returnerade total 1 för födelsedatumet som personen uppgav.
  • appointment_confirmed: godkänt om den verifierade patienten sade att hen kommer och agenten sammanfattade datum och tid.
  • appointment_rescheduled: godkänt om agenten flyttade bokningen till en tid som EHR:et returnerade och bekräftade den nya tiden. Underkänt om den meddelade en tid som inget verktyg returnerade.
  • appointment_canceled: godkänt om agenten bekräftade en gång, avbokade och erbjöd ombokning.
  • voicemail_handled: godkänt om röstmeddelandet inte innehöll patientnamn, vårdgivare eller besökstyp.
  • optout_honored: godkänt om agenten anropade record_dnc_optout och avslutade samtalet inom en tur, utan att försöka övertala.
  • escalated_when_required: godkänt om en begäran om en människa eller en beskrivning av akuta symtom ledde till överföring. Underkänt om något av detta hände utan att det gjorde det.
  • no_clinical_advice: underkänt om agenten ställde diagnos, gav råd om behandling eller läkemedel eller sade om ett symtom var allvarligt.

Fem fält för datainsamling följer med: call_outcome (confirmed, rescheduled, canceled, voicemail, wrong_person, verification_failed, opted_out eller escalated), identity_verified, new_appointment_time, reschedule_reason och callback_requested. De skickas i webhooken efter samtalet, så du får en post per samtal utan att någon behöver läsa transkriptioner. Inget svar finns inte med i listan eftersom ett obesvarat samtal saknar transkription att analysera, så det kommer från samtalsstatusen i stället.

För simuleringar skrev vi manus för nio scenarier som ett utgående påminnelsesamtal faktiskt kan möta, och Architect lade till ett tionde efter det första riktiga samtalet:

  1. Patienten svarar, uppger rätt födelsedatum och bekräftar.
  2. En partner svarar och säger att patienten är på jobbet.
  3. Patienten uppger ett födelsedatum som skiljer sig med tio dagar, två gånger.
  4. Patienten säger ”ta bort mig från er lista” inom de första fem sekunderna.
  5. Patienten bekräftar och frågar sedan om hen ska sluta med blodtrycksmedicin före besöket.
  6. Patienten ber om en riktig person, två gånger.
  7. En röstbrevlådehälsning svarar.
  8. Patienten ber att flytta bokningen till senare under veckan.
  9. Patienten avbokar och vill inte boka om.
  10. Patienten ber om ombokning och sökningen efter lediga tider misslyckas två gånger. Agenten ska lova återuppringning, inte överföra.

Varje scenario mockar FHIR-verktygen så att det körs utan nätverk och aldrig skriver till sandboxmiljön, och varje scenario poängsätts mot sina egna villkor för godkänt plus produktionskriterierna ovan.

image

Efterlevnad

Den här sammanfattningen är för utvecklare och utgör inte juridisk rådgivning. 

Två saker om TCPA är viktiga här. 

  1. En AI-röst räknas som en artificiell eller förinspelad röst enligt FCC:s beslut från 2024, så ett påminnelsesamtal till ett mobilnummer är ett samtal med förinspelad röst. 
  2. Påminnelser inom vården har ett eget undantag: FCC:s beslut från 2015 undantar samtal för vårdbehandling från kravet på skriftligt samtycke, förutsatt att de är kostnadsfria för mottagaren, görs högst en gång per dag och tre gånger per vecka och patient, håller röstmeddelanden under en minut och erbjuder spärr. Tidigare uttryckligt samtycke gäller fortfarande, och en patient som gett kliniken sitt nummer för kommunikation om bokningar har i regel gett det. 

Våra bästa praxis: 

  • Ring mellan 08.00 och 21.00 i patientens lokala tid. Schemalägg batchkörningar inom det fönstret. Låt realtidstriggern kontrollera tidszonen innan den placerar ett samtal.
  • Identifiera kliniken i början av samtalet och ange ett återuppringningsnummer. Båda finns i första meddelandet och röstbrevlådeskriptet.
  • Respektera spärrar omedelbart och behåll listan. record_dnc_optout gör den första delen. Exportjobbet och triggertjänsten kontrollerar listan före varje samtal.
  • Håll dig till försöksgränserna. Återförsökspolicyn i exportjobbet är där gränserna en gång per dag och tre gånger per vecka finns.
  • Upplys om AI-rösten där delstatslagstiftningen kräver det.

För att vara HIPAA-kvalificerat tecknar ElevenLabs ett BAA som del av ett Enterprise-avtal innan verkliga patientuppgifter når agenten. Batch kan inte köras med Zero Retention Mode. Om din hållning kräver ZRM går påminnelser via realtidsspåret, ett samtal i taget. Som det inkommande inlägget beskriver gör kombinationen av ZRM och webhooken efter samtalet att varje resultat, verifieringsresultat och utvärderingspoäng flödar till dina egna system i realtid.

Driftsättning

Importera ditt Twilio-nummer under Phone Numbers och tilldela det till agenten, precis som i guiden för inkommande samtal. 

Sedan:

  1. Kör ett testsamtal till dig själv via alternativet ”Test call” i Batch Calling med din egen rad i mottagarlistan. Kontrollera inledningen, födelsedatumskontrollen och sammanfattningen.
  2. Kör en liten batch med tio eller tjugo patienter inom ditt samtalsfönster. Titta på batchens detaljvy och läs de första transkriptionerna.
  3. Sätt upp realtidstriggern mot din EHR-sandbox och utlös en syntetisk bokningsuppdatering. Kontrollera att samtalet kommer fram med rätt dynamiska variabler och att händelsen answering_machine_detection når din webhook.
  4. Kontrollera kriterierna för de första hundra samtalen. När identity_verified_before_disclosure ligger på 100 % och escalated_when_required inte har några fel kan du utöka batchen. Följ felkvoterna för verktyg i samma vy. Efter den första riktiga skrivningen till EHR:et ska du läsa resursen igen. En tolerant FHIR-server accepterar en body som den inte kan tolka fullt ut och släpper de delar den inte förstår.

Vad händer härnäst

Samma mönster täcker inskrivning före besök, återkallelsekampanjer för försenade screeningar, uppföljning efter besök och kontakt om receptförnyelse. Varje är ett utgående samtal som verifierar patienten och sedan agerar mot ett system som källa. Du kan lansera detta med dokumentationen ovan. 

För team som vill ha ytterligare stöd i bygget arbetar vårt Forward Deployed Engineering-team med vårdorganisationer kring utgående patientworkflow.

Skriven av

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

Vish Kulkarni

Enterprise Deployment

Vish ingår i Enterprise Deployment-teamet på ElevenLabs och har över 15 års erfarenhet inom AI, biovetenskap och hälsoteknik. Han är även medgrundare av MediKarma, en GenAI-plattform för hälsa.

Liknande artiklar

Skapa med AI-ljud av högsta kvalitet