网络研讨会回顾：在医疗保健领域部署 AI 的经验

医疗系统被要求在不增加人手的情况下，为患者提供更多服务。患者的多数挫败感并非来自诊疗本身，而是诊疗前后。找到合适的医生并不容易，每次交接都要重复说明情况也是如此。

在最新一期 Behind the Agent 活动中，Cindy Liu（ElevenLabs 企业部署）与 Jacque Myers （Slalom 全球医疗保健负责人）、Sylvia Doane Stephenson（Slalom 董事总经理）及 Cristal Woodley （Renown Health 首席营销与体验官）共同探讨了 AI 智能体在医疗保健领域的实际部署情况，以及让智能体投入生产所需的条件。

能持续扩展的部署与停滞不前的部署，差异在于起点：应选择一个高频、可衡量、低风险的旅程，而不是分散开展各类专业试点。

患者旅程为何始终不够顺畅

患者陷入反复循环：每次诊疗交接时，都要确认身份并说明来电原因；他们等待、被转接；从其他渠道找到的答案也前后不一。终于联系到合适的人时，流程又得从头开始。

网站、患者门户、联系中心、EHR、账单等触点都已具备，但彼此并未互通。连贯的患者旅程应从患者所在之处开始，优先在低风险、高影响的环节提供服务。

大多数机构从边缘环节的低风险专业用例开始应用 AI，但这些尝试无法持续积累。Jacque 提出的替代方案是她所说的“核心旅程”：它覆盖大量核心业务，风险仍然较低，并且可在其基础上扩展，无需为每个用例重新构建。

演示：端到端预约挂号

预约排期是适合作为核心旅程的候选场景：量大、可衡量，风险也足够低，便于后续扩展。以下展示了从患者登记到预约确认的完整前端流程。

场景：一名患者需要更新隐形眼镜处方。她在保险公司网站上找到一位网络内验光师，并致电诊所，由虚拟预约助理接听。

演示内容：

• 智能体以对话方式完成新患者登记，收集姓名、出生日期和电话号码
• 通过真实的 SMS 验证码核实电话号码，并在首次听错验证码后恢复流程
• 来电者记不起医保会员 ID 时，智能体提醒她就诊时携带医保卡，然后继续下一步
• 提供 3 个可选时段，完成其中一个预约，并根据对话记录发送确认邮件和短信提醒
• 同一智能体也可通过 SMS 运行，以文本对话方式执行完全相同的 workflow，无需单独构建

重要性：电话和短信背后由同一个智能体支持，因此默认就能提供全渠道体验。该演示约用 2 小时构建完成，团队可在数天内完成原型并进行内部提案。企业级生产则是另一回事。智能体上线前所需的集成、测试和合规工作占据了大部分投入；在 ElevenLabs，这些工作由我们的前线部署工程师负责。

从何处开始，以及真正的阻碍

医疗系统的起步顺序：

• 环境监听：若尚未集成至 EHR，可从这里开始。这项工作通常通过文档服务供应商完成，但能建立后续所有工作所依赖的临床医生信任。
• 联系中心：大多数系统将其视为成本项目，其实也可以成为增长中心。
• 患者教育和用药依从性：这类任务可重复，ROI 可快速衡量，因此易于扩展。

联系中心自动化背后的阻碍是医生排班。偏好卡和排班模板只是表面；真正缓慢的是协调一群训练充分、技能出众且高度独立的人员推动变革。有效的做法是培养医生倡导者，由意见一致的领导层推动变革，并在落地过程中持续提供支持，有时甚至要为每位临床医生配备专属教练。

Renown Health 如何逐步构建智能体能力

Renown 的服务范围从盐湖城延伸至萨克拉门托，覆盖 100,000 平方英里内的患者。

Cristal 的团队从范围明确的试点开始。正在考虑的用例完全不涉及患者信息，而内部取得的成果将帮助后续合规工作建立依据。

实现这一目标要从数据入手。Cristal 的团队与服务提供者一起梳理排班模板，同时统一开放预约标准。环境监听带来的快速成效打开了局面：感受到生活质量改善的服务提供者会主动询问，还有哪些事情可以做到。

她也直言不讳地谈到速度：营销和联系中心团队没有时间等待，因为患者已经在使用这类技术，也已经对此抱有期待。

安全、HIPAA，以及像培训新员工一样引入智能体

情绪激烈的来电是大多数团队最先问到的问题。Renown 已在联系中心衡量语音情绪，并将来电者转接给经验更丰富的人工客服，同时在转接中保留相关背景。这同样适用于 AI 智能体。

像培训员工一样引入智能体：为其提供 SOP 和知识中心，训练其应对打断和升级处理的行为，再在上线前及持续的 PDSA（计划、执行、研究、行动）周期中，针对对抗性示例进行评估。

安全护栏分为 3 个层级：

• 引导：通过系统提示词实现
• 输入验证：在智能体回复前拦截对抗性尝试
• 实时评估：根据配置的政策评估每一条回复

在合规方面，保障措施是将适用于 EHR 的同一套 HIPAA 标准应用于 AI 系统：与 AI 供应商签订 BAA、确保互操作性、使用正确的记录系统、在信息流转时进行去标识化处理，以及未经明确同意绝不使用患者数据训练。ElevenLabs 要求与医疗保健客户签订 BAA，并提供零数据保留模式：数据仅用于处理，随后返回到自有的受限环境中存储。

哪些已准备就绪，以及该衡量什么

如今，AI 已在医疗保健客户的生产环境中运行，能够进行实时、低延迟的对话，并按脚本执行，不会漏掉应问的问题。

不过，无论是语音转文本、LLM 还是文本转语音，技术栈中的每个模型本质上都是概率性的。因此，围绕模型构建的确定性层十分重要；每次部署都应提前确定风险阈值和升级处理协议，无论是转交人工，还是转给能力更强的模型。

设定阈值后，重点就变成该追踪什么。Renown Health 按渠道追踪预约量，并归因每个预约是通过智能体、电话还是短信完成，因为患者应能以他们习惯的方式获得医疗服务。

也可以追踪患者、照护者和医生的净推荐值，因为多数人本就认可自己的医生。造成负担的是诊疗周边环节，因此满意度上升意味着负担在下降。在平台侧，我们通过已部署的智能体数量和服务分钟数衡量采用情况，通过 CSAT 和分流率衡量实际效果。

在医疗保健领域部署 AI 智能体的最佳实践

1. 选择核心旅程，而非边缘用例：一个可扩展至整个企业的高频、可衡量、低风险旅程，优于一系列无法持续积累的专业部署。
2. 自动化流程前先理顺数据：必须先梳理排班模板和开放预约标准。智能体会继承底层存在的一切混乱。
3. 招募医生倡导者，并获得领导层支持：技术工作并非最慢的环节，独立临床医生的认同才是，而且需要在整个采用过程中得到切实支持。
4. 像培训新员工一样引入智能体：提供 SOP、知识中心，以及针对打断和升级处理的行为训练；在上线前和持续的 PDSA 周期中，针对对抗性示例进行评估。
5. 让所有事实信息保持确定性：通过工具检索日期、可用性和记录详情。不要让模型推断本可查询的信息。
6. 提前定义升级阈值：技术栈中的每个模型都是概率性的。应提前确定哪些情况会触发转交人工或能力更强的模型。
7. 按渠道和满意度衡量：各渠道的预约量可反映患者是否真正使用服务；患者、照护者和医生的 NPS 则可反映负担是否在下降。

观看完整活动

观看完整网络研讨会：Behind the Agent：在医疗保健领域部署 AI 专场。