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。让患者感到沮丧的问题，大多发生在诊疗环节之外。寻找合适的医生并不容易，每次转接时重复讲述同一件事也是如此。

在最新一期 Behind the Agent 活动中，Cindy Liu（ElevenLabs 企业部署平台主管）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。

决定部署能否持续扩展而非停滞不前的关键，在于起点：选择一条高频、可衡量、低风险的流程，而不是分散开展多个专业试点。

患者旅程为何仍然支离破碎

患者陷入反复循环：每次诊疗交接都要确认身份、解释来电原因；他们等待、被转接；从其他渠道找到的答案往往前后不一。终于联系上对的人时，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，却彼此脱节。连贯的旅程应从患者所在之处开始，优先在低风险、高影响的环节展开服务。

大多数机构从边缘场景着手，选择低风险的专业用例，但这些尝试无法形成累积效应。Jacque 提出的替代方案是她所说的“核心旅程”：一条覆盖大量业务、风险仍然较低的核心流程，可在此基础上不断扩展，无需为每个用例重新搭建。

演示：端到端预约挂号

预约挂号很适合作为核心旅程：量大、可衡量，风险也足够低，便于后续扩展。以下展示了这段旅程的前端流程，从患者登记到预约确认。

场景：一名患者需要新的隐形眼镜处方。她在保险公司网站上找到网络内验光师，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 验证码核验其电话，并在首次听错验证码后成功恢复流程
• 来电者记不起保险会员 ID 时，智能体提示她在预约时携带保险卡，然后继续下一步
• 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：电话和短信背后使用的是同一个智能体，因此默认即可提供全渠道体验。该演示约 2 小时便可搭建完成，团队几天内就能完成原型并进行内部提案。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精力；在 ElevenLabs，这些工作由我们的前线部署工程师负责。

从何开始，以及真正的阻碍

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完成，但能赢得临床医生的信任，而后续一切都依赖于此。
• 联系中心：多数系统将其视为成本项，其实也可以作为增长中心运营。
• 患者教育和用药依从性：这类任务可重复，ROI 可即时衡量，因此可以规模化。

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看得见的部分；真正缓慢的是协调那些受过高度训练、技能精湛且独立性很强的人推动变革。有效做法包括医生倡导者、能够促进变革的协同领导层，以及持续支持，甚至为每位临床医生配备专属教练。

Renown Health 如何迈向智能体

Renown 的服务范围横跨 100,000 平方英里，从盐湖城到萨克拉门托。

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，内部取得的成果将为后续与合规团队沟通奠定基础。

实现这一目标要从数据入手。Cristal 的团队与服务提供者共同梳理排班模板，同时标准化开放预约。环境监听带来的快速成果打开了局面：感受到生活质量改善的服务提供者会回来询问，还有什么其他可能。

她也直言进度不能拖延：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服务，也已经对此抱有期待。

安全、HIPAA，以及像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首先关心的问题。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上下文。同样的规范也适用于 AI 智能体。

像让员工入职一样引导智能体：为它们提供 SOP 和知识中心，训练处理打断和升级的行为，再在上线前及持续的 PDSA（计划、执行、研究、行动）循环中，针对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：在智能体回复前识别对抗性尝试
• 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 EHR HIPAA 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、信息流转时进行去标识化，以及未经明确同意不得用患者数据训练。ElevenLabs 要求与医疗客户签订 BAA，并提供零数据保留模式：数据仅用于处理，随后返回你自己的受限环境中存储。

哪些已经就绪，以及该衡量什么

AI 如今已在医疗客户的生产环境中运行，能够进行实时、低延迟对话，并按脚本执行，不会漏掉应询问的问题。

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。因此，围绕模型设置确定性层至关重要；每次部署也都应预先确定风险阈值和升级协议，无论是转交人工，还是交给能力更强的模型。

设定阈值后，接下来要决定跟踪哪些指标。Renown Health 按渠道跟踪预约量，并归因每个预约是通过智能体、电话还是短信完成，因为患者应能像获取其他服务一样便捷地获得医疗服务。

也可以跟踪患者、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。造成负担的是诊疗周边的一切，因此满意度提升意味着负担在减轻。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，并通过 CSAT 和分流率衡量实际成效。

在医疗领域部署 AI 智能体的最佳实践

1. 选择核心旅程，而非边缘用例：一条可扩展至整个企业的高频、可衡量、低风险流程，胜过一系列无法形成累积效应的专业部署。
2. 先整理数据，再自动化流程：必须先理顺排班模板和开放预约标准。智能体会继承底层已有的混乱。
3. 招募医生倡导者，并由领导层支持：技术工作并不慢，争取独立临床医生的认同才是难点，且在整个采用过程中都需要切实支持。
4. 像新员工一样引导智能体入职：提供 SOP、知识中心，以及处理打断和升级的训练行为；在上线前和持续的 PDSA 循环中，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、可用时段和记录详情。模型能查到的信息，不要让它自行推断。
6. 预先定义升级阈值：技术栈中的每个模型都具有概率性。提前决定何种情况应转交人工或能力更强的模型。
7. 按渠道和满意度衡量：各渠道的预约量反映患者是否真正使用服务；患者、照护者和医生的 NPS 则反映负担是否在减轻。

观看完整活动

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