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。患者的挫败感大多不在诊疗本身，而在诊疗周边环节。找到合适的医生并不容易；每次交接都要重复说明相同情况，同样令人困扰。

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）和Cristal Woodley（Renown Health 首席营销与体验官）共同探讨了 AI 智能体在医疗领域的实际部署场景，以及让智能体投入生产运行所需的条件。

能持续扩展的部署与停滞不前的部署，区别在于起点：应选择一条高频、可衡量、低风险的核心旅程，而不是分散开展多个专业试点。

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，都要确认身份并解释来电原因；他们等待、被转接；从其他渠道查到的答案也常常不一致。终于联系到合适的人后，又得从头开始。

网站、患者门户、联络中心、EHR、账单等触点都已具备，却彼此割裂。连贯的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，选择的是低风险的专业用例，彼此却无法形成协同。Jacque 提出的替代方案是她所说的“核心旅程”：它代表了许多核心业务，同样风险较低，并可在此基础上持续扩展，无需为每个用例重新构建。

演示：端到端预约挂号

预约排期是很适合作为核心旅程的候选场景：量大、可衡量，且风险足够低，便于在此基础上扩展。以下展示了从患者接诊到预约确认的完整前端旅程。

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，由虚拟预约助手接听。

演示内容：

• 智能体以自然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 验证码确认她的手机号；首次听错验证码后，仍能顺利恢复流程
• 来电者记不起保险会员 ID 时，智能体提醒她预约时带上保险卡，然后继续后续流程
• 提供 3 个可选时段，完成其中一个的预约，并基于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：电话线路和短信会话由同一个智能体支持，因此默认就具备全渠道体验。该演示约 2 小时即可搭建完成，团队可在数天内制作原型并向内部提案。但企业级生产部署的范围不同。智能体上线前所需的集成、测试和合规工作占据了大部分精力；在 ElevenLabs，这些工作由我们的前线部署工程师负责。

从何处开始，以及真正的阻碍是什么

医疗系统的起步顺序：

• 环境监听：若尚未集成到 EHR 中，应先完成这一步。通常由文档服务供应商负责，但它能赢得临床医生的信任，而后续一切都以此为基础。
• 联络中心：大多数系统将其视为成本项目，其实也可作为增长中心运营。
• 患者教育与用药依从性：这类任务可重复，ROI 可即时衡量，因此便于规模化。

联络中心自动化的主要阻碍是医生排班。偏好卡和排班模板只是看得见的部分；真正缓慢的是协调高度专业、技能卓越且自主性很强的人员完成变革。有效做法包括培养医生倡导者、让认同变革的领导层推动变革，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 如何逐步构建智能体能力

Renown 服务范围从盐湖城到萨克拉门托，覆盖 100,000 平方英里的患者群体。

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为接下来与合规团队推进工作提供依据。

实现这一目标的基础是数据。Cristal 的团队与服务提供者共同梳理排班模板，同时推动开放式排班标准化。环境监听带来的快速成果打开了局面：切身感受到生活质量改善的服务提供者，开始回来询问还能实现什么。

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些技术，也已经将其视为理所当然。

安全、HIPAA，以及像培训新员工一样引导智能体入职

情绪激烈的来电是大多数团队最先问到的问题。Renown 已在联络中心衡量语音情绪，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上下文。同样的规范也适用于 AI 智能体。

像引导员工入职一样引导智能体：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；上线前及持续进行的 PDSA（计划、执行、研究、行动）循环中，再使用对抗性示例进行评估。

防护措施分为 3 层：

• 引导：通过系统提示词实现
• 输入验证：在智能体响应前识别对抗性尝试
• 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 AI 系统的同一套 HIPAA 标准，也就是管理 EHR 的标准：与 AI 供应商签订 BAA、实现互操作性、使用正确的记录系统、在信息流转时进行去标识化，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：数据仅通过系统进行处理，随后返回受限环境中存储。

哪些已经就绪，以及该衡量什么

AI 目前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，并严格遵循脚本，不遗漏应提出的问题。

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具有概率性。因此，外围的确定性层至关重要；每次部署都需要预先确定风险阈值和升级协议，无论是转交给人工人员，还是更强大的模型。

设定该阈值后，接下来要考虑的是追踪哪些指标。Renown Health 按渠道追踪预约量，并标记每次预约是通过智能体、电话还是短信完成，因为患者应该能以他们处理其他事务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，因为大多数人本来就喜欢自己的医生。真正带来负担的是诊疗周边环节，因此满意度上升意味着负担正在减轻。从平台角度看，我们通过已部署智能体数量和服务分钟数衡量采用情况，并通过 CSAT 和分流率判断工作是否有效。

医疗领域部署 AI 智能体的最佳实践

1. 选择核心旅程，而非边缘案例：一条能扩展至整个企业的高频、可衡量、低风险旅程，胜过分散且无法协同的多个专业部署。
2. 自动化流程前先整理数据：必须先理顺排班模板和开放式排班标准。智能体会继承底层所有混乱。
3. 争取医生倡导者，并获得领导层支持：技术工作并不是最慢的部分。独立临床医生的认同才是，而且从采用开始到结束都需要切实支持。
4. 像培训新员工一样引导智能体入职：提供 SOP、知识中心，以及应对打断和升级处理的训练行为；上线前和持续的 PDSA 循环中，使用对抗性示例进行评估。
5. 让一切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。不要让模型推断其本可查询的信息。
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触发转交给人工人员或更强大的模型。
7. 按渠道和满意度衡量：各渠道完成的预约量能反映患者是否真正使用；患者、照护者和医生的 NPS 则能反映负担是否正在减轻。

观看完整活动

观看完整网络研讨会：Behind the Agent：医疗领域部署 AI 智能体专题。