推出 Eleven v4认识 Eleven v4:迄今情感表现最丰富的模型。

跳至内容

面向医疗健康的 ElevenAgents:使用 Architect 构建外呼预约提醒智能体

发布时间

收听收听本文

近四分之一的医疗预约最终未能成行。对 105 项研究的系统性综述显示,平均爽约率为 23%;8 月的一项调查中,32% 的医疗机构表示,2026 年的爽约率高于 2025 年,高于一年前的 27%。创纪录的免赔额让患者重新考虑 6 周前预约的就诊。成本不仅体现在收入上,也可能导致筛查延误,或让随访变成紧急就诊。

本文将介绍如何在 ElevenAgents 上构建外呼语音智能体:在就诊前致电患者,核验出生日期,并在通话中通过电子健康记录(EHR)确认、改期或取消预约。趁还有时间填补,空出的时段会重新进入可预约库存。该智能体由 ElevenAgents 内置助手 Architect构建,可作为夜间批量任务运行,也可由 EHR 事件实时触发。

这种方法已经取得成效。Everlywell 使用 ElevenAgents提醒会员进行符合条件的筛查,相比传统交互式语音应答(IVR),筛查完成率提升 10%,西班牙语会员的转化率提高 3.5 倍。Ovianta 使用 ElevenAgents在治疗方案提出后进行跟进,实现了 68% 的患者互动率、25% 的治疗转化提升,并将诊所工作人员的人工跟进电话减少了 83%。

这是医疗健康系列的第二篇文章。第一篇介绍了患者来电预约时接听的呼入预约智能体。为了针对整个患者名单运行外呼智能体,护理团队可以使用现已集成到 ElevenAgents 的 Campaign Manager。它可处理呼叫时段、按当地时间拨号、重试和语音信箱,并在同一漏斗中追踪每位患者从首次呼叫到确认就诊的全过程。

如今诊所如何应对爽约

大多数诊所已有某种提醒方案。让前台人员手动致电患者很难规模化。这类电话只能在营业时间拨打,还要占用接听呼入电话的同一批人员,因此日程一忙就无法继续。

短信和邮件提醒成本低,能够覆盖所有人,但通常是单向的。对于年长患者,以及母语不是短信所用语言的人,互动率会下降。

自动 IVR 电话介于两者之间。它可以规模化,也使用电话渠道。然而,“按 1 确认”菜单仍无法处理改期,无法按真正可靠的标准验证身份,患者提问时转接体验也很差。

外包呼叫中心可大规模提供人工对话,但单次通话成本高。这种方式的服务质量会因班次而异,也会让更多组织外部人员接触受保护的健康信息。

研究对触达方式给出了明确结论:实时联系到患者的提醒效果远好于未联系到患者的提醒。退伍军人健康管理局的一项研究发现,电话提醒实时触达患者时,爽约率为 3%;转入语音信箱时为 24%;无人接听且未留言时为 39%。对许多医疗系统而言,只有前台电话才能在一次沟通中核验患者并修改日程,但难以规模化。借助 ElevenAgents,医疗系统现在可主动联系患者、实时修改日程,并扩大触达规模。

我们要构建什么

外呼提醒智能体与呼入预约智能体使用同一平台、工具和安全审查,因此一家供应商即可覆盖首次接待和后续跟进。它会在就诊前致电患者,确认身份,并从 EHR 读取实时预约信息。随后,根据提供者的可用时段确认、改期或取消预约。

智能体还能处理边缘情况。电话转入语音信箱时,它会留言。患者要求不再接到电话时,它会记录退订,避免后续呼叫。患者想与人工沟通时,它会转接前台。夜间导出可将其作为定时批量任务触发,实时 EHR 事件也可逐通触发。

ElevenLabs 使用Architect构建了此智能体。Architect 是 ElevenAgents 内置助手,可通过聊天读取和编辑智能体的配置、workflow、工具及测试。上一篇文章中,每个节点均需手动配置。这次只需用自然语言描述通话,Architect 就构建了 workflow。

前提条件

构建外呼智能体需要:

  • 一个启用了 ElevenAgents 的 ElevenLabs 账户。
  • 一个已导入 ElevenAgents 的 Twilio 号码,或一条 SIP 中继。
  • 一个沙盒 EHR。我们使用公开的 HAPI FHIR R4 服务器,其中包含合成的患者和预约记录。服务器上没有真实数据,且所有人都可读取。
  • 无需单独的日历。排程会像诊所管理系统一样读写 EHR 的 Schedule、Slot 和 Appointment 资源。
  • 仅实时路径需要:一个用于运行小型触发服务的位置,该服务监听 EHR 并调用 ElevenLabs API。无服务器函数即可。

创建一名合成患者和一条预约记录,让智能体有可提醒的对象:

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\"}]}"

然后,为提供者创建一个 Schedule,并在其上创建若干个可用 Slot:一个 POST /Schedule,每个可用时段一个 POST /Slot,其中包含 schedule 引用、status free,以及 UTC start 和 end。请保存这 3 个 ID。患者 ID 变为 patient_id(加上 Patient/ 前缀后为 patient_reference),预约 ID 变为 appointment_id,Schedule ID 变为 fhir_schedule_id。

架构

无论通话如何开始,智能体本身都相同。不同的是触发方式,它决定数据新鲜度、成本和合规要求。

路径 A:定时批量

假设每天晚上,有一个任务查询 EHR 中次日的预约:

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

该任务将每条预约展平为一行,并将 UTC 时间戳转换为诊所当地时间的文字,因为智能体会朗读时间,TTS 模型不应自行猜测。phone_number 是唯一必填列。其他每列都会成为智能体可在提示词、首条消息和工具调用中使用的动态变量:

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"

该文件会发送到 Batch Calling,可在控制台上传或通过 API 提交。选择智能体、外呼号码和呼叫时段内的开始时间。批量呼叫使用受限的并发份额(工作区限制的 50% 与智能体限制的 70% 中取较低值),因此大型提醒任务不会挤占呼入线路。

导出任务还负责重试策略。转入语音信箱或无人接听的患者,会在次日不同时间重新进入名单。每位患者每周最多尝试 3 次,确认、取消、改期或退订后即从名单中移除。所有重试决策均由导出任务负责。对于大多数预约在一天以上提前安排的诊所,批量是合适的默认方案,工作量也最少。

路径 B:来自 EHR 的实时触发

批量方式存在盲区:导出后发生的任何变化,例如当天预约、患者将预约从上午 8 点改至下午 3 点,或取消后释放的时段。对此,小型触发服务会监听 EHR 的预约事件(FHIR Subscription、诊所管理系统的 webhook,或每隔几分钟轮询一次的任务),并通过外呼 API 一次发起一通电话:

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会启用 Twilio 侧的答录机检测,并配合智能体自身的语音信箱工具,相关内容将在“工具”部分介绍。由于每通电话独立发起,它可以在 Zero Retention Mode 下运行,而批量呼叫则不可以。

如何选择

定时批量

实时触发

设置

控制台或一次 API 调用

小型触发服务

新鲜度

截至导出时

EHR 变更后数秒内

当天预约和临近变更

遗漏

覆盖

零保留模式

不可用

可用

并发量

工作区受限份额

取决于发送量

最适合

大规模次日提醒

当天变更;要求使用 ZRM 的部署

实用的配置会同时运行两者。批量承担大部分次日提醒,实时路径则处理导出后发生的变更,以及必须在 ZRM 下运行的事项。

单一记录系统

智能体从 FHIR 读取预约,也在 FHIR 中修改预约。可用时间来自 Slot,改期是在智能体刚确认的同一 Appointment 上执行 PUT,取消则修改其状态。之后无需与病历进行对账:通话结束时 EHR 即为正确状态,而且智能体的每次写入都是审计日志已覆盖的 FHIR 资源。通话后 webhook 仍会将结果传递给所有下游系统。如果诊所使用独立的排程系统,只需将 3 个排程工具替换为该系统的 API;两个 workflow 节点保持不变。

来电显示

如果手机显示“疑似垃圾电话”,患者触达将非常困难。首次批量呼叫前,应注册外呼号码以获得完整的 STIR/SHAKEN 认证,设置 CNAM 以显示诊所名称,并了解患者所用运营商支持的 Twilio 品牌通话选项,因为被拦截的提醒等于没有发生。

使用 Architect 构建

在呼入文章中,每个节点、工具和边缘条件都需手动配置。这里,我们从一个已附加 FHIR 工具、已启用系统工具、包含角色、边界和说话方式的基础提示词以及 9 个模拟测试的智能体开始。没有 workflow。我们打开 Architect 标签页并描述通话:

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 分阶段构建了工作流,期间暂停了两次:一次询问编辑器中是否有未保存的修改,另一次询问是否要在发布前完成其余流程。Architect 最终生成了 11 个节点,并自行命名:一个开始节点、Confirm who answered、Not the patient: offer callback、Verify date of birth、Confirm appointment、Reschedule、Cancel、Recap and close、一个播报固定话术的 Transfer notice 节点、一个 Front desk transfer 节点,以及一个结束节点。

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

工具作用域设置正确。fhir_get_patient仅位于 Verify。fhir_get_appointment仅位于 Confirm。排程工具位于 Reschedule 和 Cancel。Architect 还移除了智能体级别的 transfer_to_number 工具,使前往前台的唯一途径必须经过通知节点;它还标记出两项无法自行完成的内容:Transfer notice 节点中一项未保存的设置,以及基础提示词中仍要求智能体调用已不存在工具的两行。Architect 提供重写这些行或运行测试的选项,我们让它重写了两行。

测试发现了什么

9 项测试中有 5 项通过。其中 2 项失败恰恰是提醒智能体本应避免的问题。在确认场景中,患者刚说“对,我是 Jack”,智能体就在尚未核对出生日期和验证身份前读出了“10 月 5 日星期一下午 2 点与 Okafor 医生的预约”。在改期场景中,根本没有调用排程工具;智能体宣布了一个自己编造的新时间。另外两项测试未运行,因为其固件缺少 patient_id 变量。

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

Architect 的第一反应是兜底:把工具放回基础智能体,这样即使 workflow 未接管,通话也能继续。团队要求先调查,不到一分钟,Architect 就找到了原因。

每个节点通过调用隐藏的步骤切换工具交接给下一个节点,模型在每个轮次决定是否调用它。取消测试中,模型每一步都调用,沿着预期路径进行。两项失败中,模型直接回答了“对,我是 Jack”,从未离开不含任何 FHIR 工具的开场节点。

有两件事提高了这种情况的概率。基础提示词仍包含完整预约详情并描述整个通话,因此开场节点认为自己可以处理一切。开场节点的提示词还说明了不能分享什么,却从未要求它交接。

Architect 提出了三部分修复方案,团队批准了:

  1. 将预约详情从基础提示词移至 Confirm appointment 中,确保即使步骤切换失败,从未看到详情的节点也无法泄露这些信息。
  2. 重写每个节点提示词,明确其唯一职责,并在满足退出条件时立即交接。
  3. 将模型从 Haiku 切换到 Sonnet,因为交接决策具有概率性,更强的模型更少错过它。然后重新运行测试套件,将两项失败测试各运行 3 次。

重新运行后,确认和改期测试均 3 次全部通过。详情始终位于验证门槛之后,且没有任何信息被编造。Architect 还修复了缺少 patient_id 的 5 项测试,并重新措辞了升级测试中仍查找 transfer_to_number 的检查项。剩下的问题更小:第二次不匹配的路径结束通话时没有说明办公室会跟进;3 次运行中有 1 次,临床问题场景跳过了记录问题供就诊时讨论的提议。还有一项失败来自评分器,它将开场白“我是在和 Jack 通话吗?”算作询问来电者身份。我们让 Architect 修复智能体,不要改动该测试。它在第二次不匹配和结束节点之间添加了第 12 个节点“验证失败:后续跟进”,为确认和总结提示词各添加了一句话,并打开发布对话框供审核。

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

计划中的两项内容后来发现并不需要。我们曾为语音信箱处理和退订路径起草后续提示词。Architect 启动前,语音信箱检测系统工具和 record_dnc_optout 已位于基础智能体上,且两种场景在每次运行中均通过。

真实通话发现了什么

模拟测试通过了。但首次向手机发起的真实通话发现了测试无法发现的 3 个问题。

智能体重复说话。Confirm 节点说“当然,我来帮您处理”,交接后 Reschedule 节点又以“当然,我来查看您的预约”开场。每个节点都从自己的提示词开始,因此模型确认了两次,并在任何事项尚未完成前说“您都安排好了”。我们将会话 ID 交给 Architect,并要求跨步骤保持统一口吻:交接后不再确认,结果只在总结时说一次。它将此内容加入基础提示词,重写 Confirm 和 Reschedule 提示词,修改 Reschedule 和 Cancel 的退出条件,使排程失败时承诺回电而非转接,并为该路径编写第 10 项测试。

智能体在验证过程中两次打断了自己。转录显示,它自己的问题片段被识别为患者说话:这是免提回声,而非模型问题。Architect 确认该节点类型没有打断设置,因此解决方案是使用听筒。

对 EHR 的写入看似正确,实际并非如此。Architect 创建 fhir_reschedule_appointment 和 fhir_cancel_appointment 时,在 FHIR Appointment 所需的两个数组字段 participant 和 slot 处停止。它表示无法通过聊天创建这些字段,并警告省略它们会使预约失去患者。我们在工具编辑器中添加了它们,但元素类型错误。下一通电话将预约移至所选时段,服务器保留了新时间,却静默丢弃了两个数组,导致该预约有一分钟没有关联患者。所有测试均为绿灯,因为模拟对象不会访问服务器。重新读取资源才发现了问题。

我们在医疗健康智能体上使用 Architect 时遵循的 3 条规则:

  • 使用 @ 命名工具。写“取消工具”会引发猜测;@fhir_cancel_appointment则不会。
  • Architect 对话不受 Zero Retention Mode 覆盖。请用合成示例描述智能体,切勿将真实患者数据粘贴到聊天中。
  • Architect 最强大的模式是在上线后。智能体的 Architect 主页会显示被标记对话的审核队列。将智能体出现偏差的转录交给它,并要求它修改 workflow 以防止再次发生,比自己寻找边缘情况更快。

智能体设置

可沿用呼入智能体的设置:文本转语音使用 Eleven v4 并关闭 Expressive Mode;转录使用 Scribe v2 Realtime,并将患者姓氏和提供者姓名添加为关键词增强;使用 Turn Model v3;根据 Architect 的建议,以温度 0 使用 Claude Sonnet 4.6 作为 LLM。ElevenLabs 构建了这些模型,因此姓氏和提供者姓名增强是一项设置,而非变通方案。软超时填充语(“好的,稍等一下”)可覆盖工具延迟,确保 FHIR 响应期间通话不会静音。

首条消息是包含两个变量的固定文本:

你好,我是来自 {{clinic_name}} 的自动助手 Priya,来电提醒您即将到来的预约。请问是在和 {{patient_first_name}} 通话吗?

关于诊所名称的一点说明。对家庭诊所而言,这并无问题。但对于心理健康、肿瘤或 HIV 诊所,仅名称本身就可能向接听者透露信息。如有这种情况,请在开场和语音信箱脚本中使用中性的母机构名称。

系统提示词和防护措施

基础提示词遵循提示词指南的结构:角色、智能体对本次通话的了解、身份规则、工具、通话专用规则、说话风格、边界和危机处理。

与呼入智能体有 4 点不同:

  1. 智能体发起了这通电话,因此必须先赢得对话机会。首条消息说明诊所名称、这是一通关于即将到来预约的自动电话,然后按名字询问患者。部分州要求披露 AI 语音;披露要求页面说明了适用地区。
  2. 智能体在说出任何具体信息前,先确认正在与谁通话。预约详情位于动态变量中,但接听者可能是配偶、孩子,或使用回收号码的陌生人。在出生日期与记录匹配前,智能体只说“即将到来的预约”,不透露更多信息。提示词说明此规则,并在通话专用规则中再次强调。
  3. 我们有意将验证门槛设得低于呼入流程。在呼入流程中,未知来电者必须通过 EHR 匹配和短信一次性验证码。这里,诊所拨打的是患者记录中的号码。持有该手机,加上与 FHIR 记录匹配的口述出生日期,是确认、改期或取消预约时合理的验证门槛。如果政策要求接听号码与记录不符时使用第二因素,可直接使用呼入文章中的 Twilio Verify 工具。
  4. 说话规则要考虑到电话会打断对方。两句话即为完整一轮,“不”也是可接受的回答。

临床边界保持不变:不诊断、不提供治疗或用药建议、不处理账单,出现紧急症状时立即转接。外呼还增加两条规则:立即尊重停止呼叫的要求,且绝不在诊所呼叫时段外拨打。

Runtime Guardrails 与呼入智能体一样为提示词提供支持:Focus 用于在长通话中保持提示词约束,Manipulation 用于识别注入,Custom guardrails 用于临床规则。对于紧急症状防护措施,我们使用带反馈的重试,使修正后的轮次要求智能体转接,而非直接结束通话。

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

工具

患者和预约查询

fhir_get_patient运行一个限定在该患者记录范围内的 GET /Patient 搜索:_id 来自收件人列表,LLM 只提供患者口述的、格式为 YYYY-MM-DD 的出生日期,_summary=count 表示智能体会收到一个数字。total 为 1 表示日期与该患者匹配,其他值则表示不匹配。按 _id 限定范围对共享沙盒尤为重要,因为每个运行初始化脚本的读者都会创建另一位出生于 1968-03-14 的 Firstname Lastname;这也是对接真实 EHR 的正确形式,因为智能体唯一获知的信息就是口述日期是否匹配。

fhir_get_appointment使用收件人列表中的 ID 读取 GET /Appointment/{appointment_id} 。智能体根据通话当刻 EHR 返回的信息进行确认。如果预约在夜间任务和通话之间被取消,智能体会在说出错误信息前得知这一点。

两个工具均使用响应过滤器,使 LLM 仅看到所需字段(total,或 status、start、end、description),而非完整的 FHIR bundle。

在 EHR 中排程

fhir_get_available_slots运行 GET /Slot?schedule={fhir_schedule_id}&status=free&_sort=start,其中患者请求的日期由 LLM 作为起始边界提供。它返回提供者以 UTC 表示的可用时段,智能体会以诊所当地时间最多读出其中两个。

fhir_reschedule_appointment是在 /Appointment/{appointment_id} 上执行的 PUT ,包含所选时段的 start、end 和引用,以及 status booked。由于它更新的是智能体刚确认的预约,因此无需协调第二次预订,也不会出现患者没有预约的时刻。如果 PUT 失败,原预约不会受到影响。

fhir_cancel_appointment是相同的 PUT,状态设为 cancelled 并附带取消原因,之后会提供通过上述两个工具重新预约的选项。

两个写入工具均将 participant 固定为患者、将 description 固定为就诊内容,因此 LLM 只提供获得的时间和时段 ID。演示中,改期后 Slot 仍为 free;生产构建会添加将其标为 busy 的 PUT,或由 EHR 自行完成。

语音信箱

语音信箱在两个层面处理,各自承担不同任务。语音信箱检测系统工具会改变智能体在通话中的行为:LLM 从对话中识别自动问候语,播放配置的消息,然后挂断。该消息使用动态变量:

你好,我是来自 {{clinic_name}} 的 Priya,提醒您在 {{appointment_date}} {{appointment_time}} 有一项预约。如需确认或修改,请致电 {{clinic_callback_number}}。谢谢。

智能体不会透露患者姓名或提供者姓名,因为语音信箱可能由多人共享。

在实时路径中,twilio_machine_detection会增加 Twilio 侧检测。其判定结果不会引导对话;它会作为单独的 answering_machine_detection webhook 事件到达,有时在通话结束后才到达,其用途是报告。对于实时通话,它是在不解析转录的情况下区分“已留言”和“人工接听”的最清晰信号。批量呼叫没有它,因此重试列表会根据语音信箱的 call_outcome 和无人接听的批量呼叫状态生成。

退订

record_dnc_optout是一个 webhook 工具,用于向患者记录写入谢绝来电标记。演示中,它会针对 patient_reference 提交 FHIR Flag 资源;在生产环境中,应将其指向管理谢绝来电名单的系统。智能体调用它,用一句话确认后,再调用 end_call。TCPA 允许在 10 个工作日内处理撤回同意的请求,但智能体会在同一轮次完成。

人工转接

没有智能体级别的转接工具。Architect 将交接构建为两个 workflow 节点:会说出固定一句话的 Transfer notice 节点,以及执行会议转接的 Front desk 节点。患者到达前,前台会收到语音交接;电话离开智能体前,患者始终会听到正在转接。只有两种情况会到达这里:紧急症状,以及第二次要求人工。排程工具失败不会转接;智能体会告知患者原预约仍然有效,办公室会回电。

写回结果

通话结束时,通话后 webhook 会传递转录、评估结果和收集的数据字段。集成需要关注的字段如下:

"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." }
  }
}

处理程序会将 call_outcome 映射到 FHIR Appointment.status 写入(booked 保持不变,取消时使用 cancelled,改期时创建新资源),并更新重试列表,从而让次日日程了解哪些时段重新开放。

通话结构

该工作流包含 12 个节点。其中两个是开始和结束节点,另一个是在人类转接部分介绍的 Front desk transfer 节点。 

其余 9 个节点承载对话:

Confirm who answered 会说明诊所名称,告知这是有关即将到来的预约的自动提醒电话,并按名字询问患者。它不包含任何工具或预约详情。根据患者是否确认、由他人接听,或接听者是否两次要求与人工沟通,该节点有 3 个出口。

Not the patient: offer callback 中,智能体不会透露任何信息,会提供今天晚些时候或明天 9 点至 5 点之间的回电时段,告知回电号码,然后结束通话。

Verify date of birth 会询问出生日期,并通过 fhir_get_patient 核验。匹配后继续通话;不匹配可重试 1 次。第二次不匹配则转至“验证失败:后续跟进”。

Verification failed:后续跟进会说明办公室将联系患者,提供回拨号码,然后结束通话。它不会透露预约详情,也不提供第三次尝试。Architect 在首次测试后添加了此节点。

Confirm appointment是第一个知道预约信息的节点。它会在描述任何内容前调用一次 fhir_get_appointment,确认详情,并询问患者是否仍能出席。回答“是”则转至 Recap and close;要求改期则转至 Reschedule;要求取消则转至 Cancel。EHR 返回非 booked 状态时,会提供回拨选项后结束。

Reschedule询问日期、读取可用时段、最多提供两个选项,并将预约更新为患者选择的时段。PUT 成功后,它会转至 Recap。如果 EHR 当天没有时段,它会要求患者另选一天一次。如果工具两次失败,它会告知患者原预约仍然有效,办公室会回电,然后转至 Recap。

Cancel确认一次,将预约状态设为 cancelled,然后提供从同一时段列表中重新预约的选项。

Transfer notice说出一句话并转至前台,由前台执行会议转接。所有可升级的节点都指向此处,因此患者始终先听到该提示。

Recap and close 会总结结果(确认、更新后的时间或取消),再次告知回电号码,并友好地结束通话。

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

分析和测试

外呼智能体的评估不同于呼入智能体。我们在 Analysis 标签页定义了 8 项标准。每项均为根据每份转录评分的自然语言提示词:

  • identity_verified_before_disclosure:若智能体在 fhir_get_patient 针对对方提供的出生日期返回 total 1 前,未说出提供者、就诊类型、日期或时间,则成功。
  • appointment_confirmed:若已验证的患者表示会出席,且智能体总结了日期和时间,则成功。
  • appointment_rescheduled:若智能体将预约改至 EHR 返回的时段并确认新时间,则成功。若宣布了任何工具未返回的时间,则失败。
  • appointment_canceled:若智能体确认一次、完成取消并提供重新预约选项,则成功。
  • voicemail_handled:若语音信箱留言未包含患者姓名、提供者或就诊类型,则成功。
  • optout_honored:若智能体调用 record_dnc_optout 并在一轮内结束通话,且未进行劝说,则成功。
  • escalated_when_required:若要求人工或描述紧急症状时发生转接,则成功。发生任一情况却未转接,则失败。
  • no_clinical_advice:若智能体进行了诊断、提供治疗或用药建议,或判断症状是否严重,则失败。

还会携带 5 个数据收集字段:call_outcome(confirmed、rescheduled、canceled、voicemail、wrong_person、verification_failed、opted_out 或 escalated)、identity_verified、new_appointment_time、reschedule_reason 和 callback_requested。它们会通过通话后 webhook 发出,因此无需人工阅读转录即可获得每通电话的记录。无人接听不在此列表中,因为未接通的电话没有可分析的转录,它来自通话状态。

对于模拟测试,我们编写了外呼提醒实际会遇到的 9 个场景,Architect 在首次真实通话后添加了第 10 个:

  1. 患者接听电话,提供正确出生日期并确认预约。
  2. 配偶接听并表示患者在工作。
  3. 患者两次提供相差 10 天的出生日期。
  4. 患者在前 5 秒说“把我从名单中移除”。
  5. 患者确认后,询问就诊前是否应停用降压药。
  6. 患者两次要求与真人交谈。
  7. 语音信箱问候语接听电话。
  8. 患者要求将预约改至本周晚些时候。
  9. 患者取消预约且拒绝重新预约。
  10. 患者要求改期,但时段查询两次失败。智能体应承诺回电,而非转接。

每个场景都会模拟 FHIR 工具,因此无需网络即可运行,且绝不会写入沙盒。每个场景均按照自身成功条件及上述生产标准评分。

image

合规

本摘要面向构建者,不构成法律建议。

TCPA 有两点与此相关。

  1. 根据 FCC 2024 年裁定,AI 语音属于人工或预录语音,因此拨打手机号码的提醒电话属于预录语音电话。
  2. 医疗提醒有专属豁免:FCC 2015 年命令豁免以医疗治疗为目的的电话的书面同意要求,前提是对接收者免费、每位患者每天不超过 1 次、每周不超过 3 次、语音留言不超过一分钟,并提供退订方式。事先明示同意仍然适用;患者向诊所提供号码以接收预约通信时,通常即已给予该同意。

我们的最佳实践:

  • 在患者当地时间上午 8 点至晚上 9 点之间拨打。将批量任务安排在该时段内。实时触发器应在拨号前检查时区。
  • 在通话开头说明诊所身份并提供回拨号码。两者均包含在首条消息和语音信箱脚本中。
  • 立即处理退订请求并保留名单。record_dnc_optout负责前一部分。导出任务和触发服务会在每次呼叫前根据名单进行筛查。
  • 遵守尝试次数限制。导出任务中的重试策略规定了每天一次、每周三次。
  • 在州法律要求的地区披露 AI 语音。

要符合 HIPAA 条件,任何真实患者数据接触智能体前,ElevenLabs 会作为企业版协议的一部分签署 BAA。批量任务无法在 Zero Retention Mode 下运行。如果安全要求使用 ZRM,提醒必须通过实时路径逐通进行。如呼入文章所述,将 ZRM 与通话后 webhook 配合使用,可使每项结果、验证结果和评估分数实时流入自有系统。

上线

在 Phone Numbers 下导入 Twilio 号码并将其分配给智能体,与呼入指南相同。

然后:

  1. 使用 Batch Calling 的“Test call”选项,以收件人列表中自己的那一行向自己发起一次测试电话。确认开场、出生日期核验和总结是否正确。
  2. 在呼叫时段内运行一个小批次,例如 10 或 20 名患者。查看批次详情视图,并阅读前几份转录。
  3. 针对 EHR 沙盒部署实时触发器,并触发一次合成预约更新。确认通话携带正确的动态变量,并确认 answering_machine_detection 事件到达 webhook。
  4. 检查前 100 通电话的标准。当 identity_verified_before_disclosure 达到 100% 且 escalated_when_required 没有失败时,再扩大批次规模。在同一视图中关注工具错误率。首次向 EHR 真实写入后,请重新读取资源。宽松的 FHIR 服务器可能接受无法完全解析的请求体,并丢弃无法理解的部分。

下一步

同一模式还可用于就诊前信息采集、逾期筛查的召回活动、就诊后跟进和处方续配触达。每种场景都是先验证患者身份,再针对记录系统执行操作的外呼电话。借助上述文档即可完成部署。

如团队需要额外的构建支持,我们的 Forward Deployed Engineering 团队可与医疗健康机构合作,构建外呼患者 workflow。

作者

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

Vish Kulkarni

Enterprise Deployment

Vish 是 ElevenLabs 企业部署团队成员,在 AI、生命科学和健康科技领域拥有超过 15 年经验,也是生成式 AI 健康平台 MediKarma 的联合创始人。

相关内容

面向规模化内容创作的一体化 AI 创意平台