网络研讨会回顾：在医疗保健领域部署 AI 的经验

医疗系统需要在不增加人手的情况下为患者提供更多服务。患者的不满大多出在诊疗环节之外，而非诊疗本身。找到合适的医生并不容易，在每次交接时重复讲述同样的情况也是如此。

在最新一期 Behind the Agent 活动中，Cindy Liu（ElevenLabs 企业部署）与Jacque Myers（Slalom 全球医疗负责人）、Sylvia Doane Stephenson（Slalom 董事总经理）以及Cristal Woodley（Renown Health 首席营销与体验官）共同探讨了 AI 智能体在医疗行业的实际部署场景，以及将其投入生产环境所需的条件。

能持续扩展的部署与停滞不前的部署，区别在于起点：应从一个高量、可衡量、低风险的核心旅程开始，而不是分散开展多个专业试点。

患者旅程为何依然不顺畅

患者陷入反复循环。在每次诊疗交接时，他们都要确认身份并说明来电原因。他们等待、被转接，在其他地方找到的答案却前后不一。好不容易联系到对的人，又得从头开始。

网站、患者门户、联络中心、EHR、账单等触点都已存在，但彼此并不互通。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。

大多数机构从边缘场景开始应用 AI，选择低风险的专业用例，但这些尝试无法形成累积效应。Jacque 提出的替代方案是“核心旅程”：它覆盖大量业务、风险仍较低，可以在此基础上持续扩展，而不必为每个用例重新构建。

演示：端到端预约挂号

预约排班是理想的核心旅程候选：量大、可衡量，风险也足够低，适合在此基础上扩展。下面展示该旅程前端从患者登记到预约确认的完整流程。

场景：一位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，致电诊所后，由虚拟预约助手接听。

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 SMS 验证码核验电话号码，并在首次听错验证码后成功恢复流程
• 当来电者记不起保险会员 ID 时，智能体提醒她在预约时携带保险卡，然后继续流程
• 提供 3 个时段，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，以文本对话执行完全相同的 workflow，无需单独构建

重要性：电话和短信都由同一个智能体支持，因此默认提供全渠道体验。该演示约 2 小时即可构建完成，团队可在数天内完成原型并向内部提案。企业级生产部署则是另一回事。智能体上线前所需的集成、测试和合规工作占据了大部分工作量；在 ElevenLabs，这些工作由我们的前线部署工程师负责。

从何处开始，真正的阻碍是什么

医疗系统的起步顺序：

• 环境监听：如果尚未集成到 EHR。这项工作通常通过文档服务供应商推进，但能赢得后续一切工作所依赖的临床医生信任。
• 联络中心：大多数系统将其视为成本项，其实也可以成为增长中心。
• 患者教育和用药依从性：这些任务可重复执行，ROI 可即时衡量，因此可以规模化。

联络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显而易见的部分。真正缓慢的是协调那些训练充分、技能高超且高度独立的人员进行变革。有效的方法是培养医生倡导者、由一致的领导层推动变革，并提供持续支持，有时甚至要为每位临床医生配备专属教练。

Renown Health 如何逐步迈向智能体

Renown 的服务范围覆盖从盐湖城到萨克拉门托的 100,000 平方英里区域。

Cristal 的团队先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，内部取得的成果将帮助他们向合规团队证明后续项目的可行性。

实现这一目标要从数据入手。Cristal 的团队与医疗服务提供者共同梳理排班模板，同时统一开放预约标准。环境监听带来的快速成果打开了大门：感受到生活质量提升的服务提供者主动回来询问，还有哪些可能。

她也直言不讳地谈到速度：营销和联络中心团队没有时间等待，因为患者已经在使用这类服务，并且已经将其视为应有体验。

安全、HIPAA，以及像培养新员工一样培训智能体

情绪激动的来电是大多数团队最先关心的问题。Renown 已在联络中心衡量语音情绪，并将来电转给经验更丰富的人工坐席，同时在转接过程中保留相关背景。对 AI 智能体也应遵循同样的原则。

像培训员工一样培训智能体：为其提供 SOP 和知识中心，训练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。

护栏分为 3 层：

• 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，保障措施就是适用于 EHR 的同一套 HIPAA 标准，只是应用于 AI 系统：与 AI 供应商签订 BAA、实现互操作性、使用合适的记录系统、在信息流转时进行去标识化，以及未经明确同意不得使用患者数据训练。ElevenLabs 要求与医疗客户签订 BAA，并提供零数据保留模式：数据仅为处理而传输，随后返回你自己的受限环境存储。

哪些已经就绪，该衡量什么

如今，AI 已在医疗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，不遗漏应提的问题。

不过，技术栈中的每个模型本质上都具有概率性，无论是语音转文本、LLM，还是文本转语音。这正是外围确定性层如此重要的原因，也是每次部署都必须提前确定风险阈值和升级协议的原因——无论是转交给人工，还是更强大的模型。

设定阈值后，问题就变成该追踪什么。Renown Health 按渠道追踪预约量，并标注每个预约来自智能体、电话还是短信，因为患者应能像获取其他服务一样便捷地获得诊疗服务。

也可以追踪患者、照护者和医生的净推荐值，因为大多数人本就喜欢自己的医生。真正造成负担的是诊疗周边的环节，因此满意度上升意味着负担在下降。在平台层面，我们通过已部署智能体数量和服务分钟数衡量采用情况，通过 CSAT 和分流率衡量实际成效。

医疗行业部署 AI 智能体的最佳实践

1. 选择核心旅程，而非边缘场景：一个高量、可衡量、低风险且能在全企业扩展的旅程，优于分散的专业部署，因为后者永远无法形成累积效应。
2. 先修复数据，再自动化流程：必须先理顺排班模板和开放预约标准。智能体会继承底层的一切混乱。
3. 招募医生倡导者，并由领导层提供支持：技术工作并非最慢的部分。争取独立临床医生的认同才是，而且在整个采用过程中都需要切实支持。
4. 像培训新员工一样培训智能体：提供 SOP、知识中心，以及应对打断和升级处理的训练，再在上线前和持续的 PDSA 周期中，针对对抗性示例进行评估。
5. 让所有事实信息具有确定性：通过工具检索日期、可用时段和记录详情。不要让模型推断它本可查询的信息。
6. 提前定义升级阈值：技术栈中的每个模型都具有概率性。应提前决定哪些情况会触发转交给人工或更强大的模型。
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的在使用。患者、照护者和医生的 NPS 则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：医疗行业部署 AI 专场。