隆重推出 Eleven v4认识 Eleven v4,这是我们迄今情感表现力最强的模型。

探索跳至内容登录注册联系销售团队登录

近四分之一的医疗预约最终未能成行。一项 涵盖 105 项研究的系统性综述 显示,平均爽约率为 23%;而在一项 8 月的调查中,32% 的医疗集团表示,2026 年的爽约率高于 2025 年,而一年前这一比例为 27%。创纪录的高额免赔额正促使患者重新考虑六周前预约的就诊。这不仅会造成收入损失,也可能导致筛查被推迟,或原本的复诊演变成紧急就诊。

本文介绍如何在 ElevenAgents 上构建一个外呼语音智能体,在就诊前致电患者,核验其出生日期,并在通话期间直接在电子健康记录(EHR)中确认、改期或取消预约。这样,空出的时段便能及时重新开放,仍有机会由其他患者预约。该智能体使用 Architect构建。Architect 是 ElevenAgents 内置的助手;该智能体既可每晚批量运行,也可通过 EHR 事件实时触发。

这种方法已经取得了实际成效。 Everlywell 使用 ElevenAgents 提醒会员完成符合条件的筛查。与传统交互式语音应答(IVR)相比,其筛查完成率提高了 10%,西班牙语会员的转化率则高出 3.5 倍。 Ovianta 使用 ElevenAgents 在提出治疗方案后进行跟进,实现了 68% 的患者互动率、治疗转化率提高 25%,并使诊所员工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。第一篇介绍了一个 呼入式预约智能体 ,它会在患者来电预约时接听。为了让外呼智能体覆盖完整的患者名单,护理团队可以使用现已集成到 ElevenAgents 中的 Campaign Manager。它负责管理呼叫时段、按当地时间拨号、重试和语音信箱,并通过同一个漏斗跟踪每位患者从首次呼叫到确认就诊的全过程。

诊所目前如何应对爽约

大多数医疗机构已经在运行某种形式的提醒计划。由前台员工逐一致电患者很难规模化。这类电话只能在工作时间拨打,而且使用的正是接听呼入电话的同一批员工,因此一旦日程繁忙,提醒工作便会中断。

短信和电子邮件提醒运行成本低、能够覆盖所有人,但通常是单向沟通。老年患者以及母语并非短信所用语言的患者,互动率往往会下降。

自动 IVR 电话介于上述两种方式之间。它既能规模化,也使用电话渠道。然而,“按 1 确认”的菜单仍然无法处理改期,无法按照真正可靠的标准核验身份,而且当患者提出问题时,转接体验也很差。

外包呼叫中心能够大规模提供人工对话,但单次呼叫成本很高。这种方式的服务质量会随班次而波动,而且会让组织外部的更多人员接触受保护的健康信息。

研究对提醒的送达方式给出了明确结论:能够实时联系到患者的提醒,效果远好于未能联系到患者的提醒。美国退伍军人健康管理局的一项 研究 发现,电话提醒实时联系到患者时,爽约率为 3%;电话转入语音信箱时为 24%;无人接听且未留下语音留言时则为 39%。对许多医疗系统而言,只有前台电话才能在同一次沟通中核验患者身份并更改日程,但这种方式无法规模化。借助 ElevenAgents,医疗系统如今可以主动联系患者、实时调整其日程,并扩大外联规模。 

我们要构建什么

此外呼提醒智能体与呼入式预约智能体采用相同的平台、工具和安全审查,因此一家供应商即可同时覆盖患者入口与后续跟进。它会在就诊前致电患者、确认其身份,并从 EHR 中读取实时预约信息。随后,它会根据医疗服务提供者的空闲时段确认、改期或取消预约。

该智能体还会处理各种边缘情况。如果电话转入语音信箱,它会留下留言。如果患者要求不再接到电话,它会记录退订信息,确保今后不再外呼。如果患者希望与真人交谈,它会将电话转接至前台。每晚导出的数据可按计划批量触发呼叫,实时 EHR 事件也可以逐通电话触发。

ElevenLabs 使用 Architect构建了这个智能体。Architect 是 ElevenAgents 内置的助手,可通过聊天读取和编辑智能体的配置、工作流、工具及测试。上一篇文章逐个手动配置了所有节点。这一次,只需用自然语言描述通话流程,Architect 便构建了整个工作流。

前提条件

要构建此外呼智能体,你需要:

  • 一个已开通 ElevenAgents 的 ElevenLabs 账户。
  • 一个已导入 ElevenAgents 的 Twilio 号码,或一条 SIP 中继。
  • 一个 EHR 沙盒。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。该服务器上没有任何真实数据;所有人都可以读取其中的内容。
  • 无需单独的日历。排程功能会像诊所管理系统一样,直接读写 EHR 中的 Schedule、Slot 和 Appointment 资源。
  • 仅实时触发路径需要:一个能够运行小型触发服务的环境,该服务监听 EHR 并调用 ElevenLabs API。一个无服务器函数就足够了。

先植入一名合成患者和一条预约记录,以便智能体有可以提醒的内容:

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\"}]}"

然后为医疗服务提供者植入一个 Schedule,并在其中添加若干空闲 Slot:一个 POST /Schedule,以及每个可预约时段对应的一个 POST /Slot ,其中包含一个 schedule 引用、 status free、以及 UTC start 和 end。请保留这三个 ID。患者 ID 将成为 patient_id (加上 Patient/, patient_reference前缀后),预约 ID 将成为 appointment_id,而日程将成为 fhir_schedule_id.

架构

无论呼叫以何种方式启动,智能体本身都相同。不同之处在于触发机制,而触发机制决定了数据新鲜度、成本和合规策略。

路径 A:定时批量处理

假设每天晚上都有一个任务查询 EHR 中次日的预约:

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

该任务会将每条预约展平为一行,并把 UTC 时间戳转换为诊所当地时间的文字表述,因为智能体需要大声读出时间,而不应让 TTS 模型猜测该如何表达。phone_number 是唯一必填列。其他所有列都会成为动态变量,供智能体在提示词、首条消息和工具调用中使用:

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"

该文件随后会进入批量呼叫,可在控制面板中上传,也可通过 API 提交。你需要选择智能体、外呼号码,以及呼叫时间窗口内的开始时间。批量呼叫只能使用一定比例的并发额度(工作区上限的 50% 与智能体上限的 70% 两者中取较低值),因此大规模提醒任务不会挤占呼入线路。

导出任务还负责重试策略。任何进入语音信箱或无人接听的患者,都会在次日的其他时段重新加入名单。每名患者每周最多尝试三次;一旦结果为已确认、已取消、已改期或已退订,就会将其移除。所有重试决定均由导出任务负责。对于大多数就诊预约都提前一天以上安排的诊所,批量呼叫是合适的默认方案,所需工作量也最少。

路径 B:从 EHR 实时触发

批量呼叫存在一个盲区:导出后发生的任何变化都无法覆盖,例如当天新增的预约、患者的预约时间从上午 8 点改到下午 3 点,或取消预约后新释放出的时段。针对这些情况,一个小型触发服务会监听来自 EHR 的预约事件(FHIR Subscription、诊所管理系统发出的 webhook,或每隔几分钟轮询一次的任务),并通过外呼 API 逐一发起呼叫:

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 会同时启用 Twilio 端的答录机检测和智能体自身的语音信箱工具;后者将在“工具”部分介绍。此外,由于每通呼叫都是单独启动的,因此可以在零数据保留模式下运行,而批量呼叫则不支持该模式。

如何选择

定时批量呼叫

实时触发

设置方式

通过控制面板或一次 API 调用

小型触发服务

数据新鲜度

截至导出时

EHR 发生变化后数秒内

当天预约和临时变更

无法覆盖

可以覆盖

零数据保留模式

不可用

可用

并发

工作区并发额度的限定份额

取决于你发送的呼叫量

最适合

大批量次日提醒

当天变更;要求使用 ZRM 的部署

一种实用方案是同时运行两条路径。批量呼叫承担大部分次日提醒,而实时路径负责处理导出后发生的所有变更,以及必须在 ZRM 下运行的呼叫。

单一事实来源

智能体从 FHIR 读取预约,也在 FHIR 中修改预约。可用时间来自 Slot;改期操作是对智能体刚刚确认的同一个 Appointment 发起 PUT 请求;取消操作则会更改其状态。通话结束后,无需再与病历进行核对,因为此时 EHR 中的信息已经正确;智能体执行的每次写入都会生成 FHIR 资源,并已纳入现有审计日志。通话后 webhook 仍会把处理结果发送给所有下游系统。如果诊所使用独立的排程系统,只需将这三个排程工具替换为该系统的 API;两个工作流节点保持不变。

来电显示

如果患者的手机显示“可能是骚扰电话”,患者触达就会变得困难。在启动第一批呼叫之前,应注册外呼号码,使呼叫具备完整的 STIR/SHAKEN 认证;设置 CNAM,以显示诊所名称;并根据患者使用的运营商查看 Twilio 的品牌来电选项,因为被拦截的提醒等于没有发生。

使用 Architect 构建

在上一篇有关呼入智能体的文章中,每个节点、工具和边缘条件都是手动配置的。这一次,我们先创建了一个已接入 FHIR 工具、启用系统工具的智能体,并为其编写涵盖角色、边界和说话方式的基础提示词,同时准备了九项模拟测试,但尚未创建工作流。随后,我们打开 Architect 选项卡并描述了呼叫流程:

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,其间暂停了两次:一次是询问编辑器中未保存的修改,另一次是询问是否要在发布前完成流程的其余部分。Architect 最终生成了十一个节点,并自行命名:一个起始节点、一个 Confirm who answered, Not the patient: offer callback, Verify date of birth, Confirm appointment, Reschedule, Cancel, Recap and close、一个 Transfer notice 节点(负责说一句固定台词)、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.

工具的作用域设置正确。 fhir_get_patient 仅存在于 Verify 节点上。 fhir_get_appointment 仅存在于 Confirm 节点上。排程工具位于 Reschedule 和 Cancel 节点。Architect 还移除了智能体层级的 transfer_to_number 工具,因此前往前台的唯一路径必须经过通知节点。它还指出了两项无法自行完成的工作:Transfer notice 节点上有一项设置尚未保存;基础提示词中仍有两行要求智能体调用一个已不存在的工具。Architect 提议重写这两行或运行测试,我们让它重写了这两行。

测试发现了什么

九项测试中有五项通过。两项失败恰好暴露了预约提醒智能体本应防止的问题。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、确认身份之前,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,智能体完全没有调用任何排程工具,而是直接宣布了一个凭空编造的新时间。另有两项测试没有运行,因为其测试夹具缺少一个 patient_id 变量。

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

Architect 的第一反应是控制影响范围:将工具重新放回基础智能体,使工作流即使没有接管呼叫,通话也仍能正常进行。团队要求它先调查原因;不到一分钟,Architect 就找到了问题根源。

每个节点都会通过调用一个隐藏的步骤切换工具,将控制权移交给下一个节点;模型需要在每轮对话中决定是否调用它。在取消预约测试中,模型在每一步都调用了该工具,并沿着预期路径运行。而在两项失败的测试中,模型直接回答了“对,我是 Jack”,始终没有离开开场节点,而该节点中不存在任何 FHIR 工具。

有两个因素增加了这种情况发生的可能性。基础提示词仍包含完整的预约详情,并描述了整个通话流程,因此开场节点认为自己可以处理所有事情。此外,开场节点的提示词只说明了哪些信息不能透露,却从未要求它移交控制权。

Architect 提出了由三部分组成的修复方案,团队予以批准:

  1. 将预约详情从基础提示词中移出,仅放入 Confirm appointment 节点。这样,即使步骤切换失败,从未接触这些详情的节点也无法泄露它们。 
  2. 重写每个节点的提示词,明确其唯一任务,并要求它在满足退出条件时立即移交控制权。 
  3. 将模型从 Haiku 切换到 Sonnet,因为移交决策具有概率性,更强的模型漏掉这一决策的频率更低。然后重新运行测试套件,其中两项失败的测试各运行三次。

重新运行后,确认和改期场景均三次全部通过。预约详情始终被隔离在身份核验关卡之后,智能体也没有编造任何信息。Architect 还修复了五项缺少 patient_id 的测试,并改写了升级处理测试中的一项检查,该检查仍在查找 transfer_to_number。剩下的问题较小。第二次信息不匹配的路径结束了通话,却没有说明诊所会跟进;临床问题场景在三次运行中有一次跳过了询问患者是否需要将问题记录下来、留待就诊时提出。还有一项失败源于评分器,它把开场白“请问是 Jack 吗?”算作询问来电者是谁。我们要求 Architect 修复智能体,不要改动该测试。它在第二次信息不匹配节点与结束节点之间新增了第十二个节点“核验失败:跟进”,在确认和回顾提示词中各添加了一句话,并打开发布对话框供审核。

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

我们计划中的两项内容后来证明没有必要。我们原本为语音信箱处理和退订路径拟定了后续提示词。语音信箱检测系统工具和 record_dnc_optout 在 Architect 开始工作前就已配置在基础智能体上,而且这两个场景每次运行都通过了。

真实通话发现的问题

模拟测试全部通过了。第一次拨打真实电话时,却发现了测试未能发现的三个问题。

智能体出现了重复表达。Confirm 节点说:“当然,我来为您处理好”,随后进行移交,而 Reschedule 节点开场又说:“当然,我来调出您的预约。”每个节点都从各自的提示词开始,因此模型确认回应了两次,而且在任何事情尚未办妥之前就说“您都安排好了”。我们向 Architect 提供了对话 ID,并要求各步骤保持统一口吻:移交后不再确认回应,只在回顾时说明一次处理结果。它在基础提示词中添加了相应章节,重写了 Confirm 和 Reschedule 节点的提示词,修改了 Reschedule 和 Cancel 节点的退出条件,使安排失败时以承诺回电结束,而不是转接,并为这条路径编写了第十项测试。

智能体在核验过程中两次打断了自己。记录显示,它自己所提问题的片段以患者语音的形式传了回来:这是免提通话的回声,并非模型问题。Architect 确认该节点类型没有打断设置,因此解决办法是改用听筒。

写入 EHR 的操作看似正确,实则不然。当 Architect 创建 fhir_reschedule_appointment 和 fhir_cancel_appointment时,它在 FHIR Appointment 所需的两个数组字段 participant 和 slot 上停了下来。它表示无法通过聊天编写这两个字段,并警告说,遗漏它们会导致患者从预约中被移除。我们在工具编辑器中添加了这两个字段,但使用了错误的元素类型。下一次调用将预约移到了所选时段,服务器保留了新时间,却悄无声息地丢弃了这两个数组;有一分钟,这条预约记录中没有关联任何患者。所有测试都显示通过,因为模拟测试从未真正访问服务器。正是回读该资源时,我们才发现了这个问题。

我们在医疗保健智能体上使用 Architect 时遵循了三条规则:

  • 使用 @ 来指明工具名称。写“取消工具”会让系统不得不猜测; @fhir_cancel_appointment 而使用 @cancel_appointment 则不会。
  • Architect 对话不受零数据保留模式保护。请使用合成示例来描述智能体。切勿将真实患者数据粘贴到聊天中。
  • Architect 最强大的使用场景是在发布之后。智能体的 Architect 主页会显示一个审核队列,其中包含被标记的对话。将智能体出现失误的对话记录交给 Architect,并要求它修改工作流以防止同类问题再次发生,比自行查找这种边缘情况更快。

智能体设置

这些设置在可行之处与入站智能体保持一致。文本转语音采用关闭 Expressive Mode 的 Eleven v4,转写采用 Scribe v2 Realtime,并将患者姓氏和医护人员姓名添加为关键词增强项;此外使用 Turn Model v3,以及依照 Architect 的建议,将温度设为零的 Claude Sonnet 4.6 用作大语言模型。上述模型均由 ElevenLabs 构建,因此,姓氏和医护人员姓名增强是正式设置,而非变通方案。软超时填充语(“好的,请稍等一下”)可掩盖工具延迟,确保在等待 FHIR 响应时通话不会陷入沉默。

第一条消息是包含两个变量的固定文本:

您好,我是自动助理 Priya,来自 {{clinic_name}},来电是想和您沟通即将到来的预约。请问您是 {{patient_first_name}}?

关于诊所名称本身,再补充一句。对于家庭医疗诊所而言,这并无妨。但对于行为健康、肿瘤科或 HIV 诊所,仅名称就会向接听电话的人透露一些信息。如果这适用于您的情况,请在开场白和语音信箱留言话术中使用中性的上级机构名称。

系统提示词和护栏

基础提示词沿用提示词指南中的结构:角色、智能体对本次通话的已知信息、身份规则、工具、针对本次通话的规则、说话风格、边界以及危机处理。

与入站智能体相比,有四点不同:

  1. 这通电话由智能体主动发起,因此它必须设法让对方愿意继续交谈。第一条消息会说明诊所名称以及这是关于即将到来的预约的自动电话,然后用名字询问患者本人是否在场。美国一些州要求披露使用了 AI 语音;披露要求页面说明了哪些州有此规定。
  2. 智能体在透露任何具体信息前,会先确认通话对象的身份。预约详情位于动态变量中,但接听电话的人可能是患者的配偶、子女,也可能是使用了回收号码的陌生人。在出生日期与记录匹配之前,智能体只会说“即将到来的预约”,不会透露更多信息。提示词先说明这条规则,随后又在针对本次通话的规则中重申。
  3. 我们有意将身份核验门槛设得低于入站流程。在入站流程中,未知来电者必须通过 EHR 信息匹配和短信一次性验证码验证。而在这里,是诊所拨打患者记录中的电话号码。接听者持有该电话,并能说出与 FHIR 记录相符的出生日期,以此作为确认、改期或取消预约的身份核验标准,是合理且站得住脚的。如果您的政策要求在接听号码与记录不符时进行第二重验证,入站文章中的 Twilio Verify 工具可以原封不动地沿用。
  4. 说话规则考虑到了这通电话属于打扰性质。说两句话就算完成一轮发言,而“不”也是可以接受的回答。

临床边界保持不变:不做诊断,不提供治疗或用药建议,不处理费用结算,并在出现紧急症状时立即转接。外呼还增加了两条规则:对方一旦要求停止来电,立即照办;绝不在诊所规定的时间段之外拨打电话。

运行时护栏为系统提示词提供支撑,与入站智能体相同:Focus 护栏用于在长时间通话中始终遵循提示词,Manipulation 护栏用于识别提示词注入,Custom 护栏用于落实临床规则。对于紧急症状护栏,我们采用带反馈的重试机制,这样在修正后的这一轮中,智能体会被告知进行转接,而不是直接结束通话。

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

工具

患者及预约查询

fhir_get_patient 会执行一次 GET /Patient 仅限于搜索该患者记录: _id 来自接收者列表,LLM 仅提供患者口述的出生日期 YYYY-MM-DD,并且 _summary=count 意味着智能体会得到一个数字。数值为 total 1,表示该日期与这名患者匹配;任何其他数值都表示不匹配。按患者限定搜索范围 _id 至关重要。在共享沙盒中,每个运行种子脚本的读者都会创建另一个出生于 1968-03-14 的 Firstname Lastname;对于真实的 EHR,这种设计同样合理,因为智能体始终只能获知口述的日期是否匹配。

fhir_get_appointment 读取 GET /Appointment/{appointment_id} 接收者列表中的 ID。智能体会根据通话当时 EHR 中记录的内容进行确认。如果预约在夜间任务与通话之间被取消,智能体会在说出任何错误信息之前发现这一情况。

这两个工具都使用响应过滤器,因此 LLM 只会看到它需要的字段(total,或 status, start, end, description),而不是完整的 FHIR Bundle。

在 EHR 中安排预约

fhir_get_available_slots 会执行 GET /Slot?schedule={fhir_schedule_id}&status=free&_sort=start,并将患者询问的日期由 LLM 作为起始边界传入。它会返回医疗服务提供方以 UTC 表示的空闲时段,而智能体最多会用诊所当地时间读出其中两个。

fhir_reschedule_appointment 是一个 PUT 针对 /Appointment/{appointment_id} 所选时段的 start, end 以及引用信息, status booked。由于它更新的是智能体刚刚确认的预约,因此不存在需要协调的第二个预约,也不会出现患者没有任何预约的时刻。如果该 PUT 操作失败,原预约将保持不变。

fhir_cancel_appointment 也是如此 PUT ,状态为 cancelled 以及取消原因,随后提议通过上述两个工具重新预约。

这两个写入工具都会将 participant 患者和 description 与此次就诊绑定,因此 LLM 只会提供交给它的时间和时段 ID。在演示中,Slot 会保持 free 在改期后;生产版本会添加一个 PUT 用于将其标记为 busy,或者让 EHR 自行完成。

语音信箱

语音信箱由两个层级处理,它们各自承担不同的任务。语音信箱检测系统工具负责改变智能体在通话中的行为:LLM 根据对话识别自动问候语,播放已配置的留言,然后挂断。该留言支持动态变量:

您好,我是来自 的 Priya。 {{clinic_name}} ,提醒您在 的预约。 {{appointment_date}} 时间为 {{appointment_time}}。如需确认或更改,请致电联系我们: {{clinic_callback_number}}。谢谢。

该智能体不会透露患者姓名或医疗服务提供方名称,因为语音信箱可能由多人共用。

在实时调用路径上, twilio_machine_detection 还增加了 Twilio 端检测。其判定结果不会引导对话;它会作为一个单独的 answering_machine_detection webhook 事件到达,有时甚至会在通话结束后才到达,其作用是报告结果。在实时通话中,它是区分“转入语音信箱”和“真人接听”的最可靠信号,无需解析通话转录。批量呼叫没有该事件,因此其重试列表是根据 call_outcome 语音信箱状态以及批量呼叫状态中的无人接听状态构建的。

退订

record_dnc_optout 是一个 webhook 工具,用于在患者记录中写入“请勿呼叫”标志。在演示中,它会针对 patient_reference;在生产环境中,应将其指向实际管理“请勿呼叫”名单的系统。智能体会调用该系统,用一句话确认,然后调用 end_call。TCPA 允许在十个工作日内执行撤销请求,但该智能体会在同一轮对话中完成。

人工转接

不存在智能体级别的转接工具。Architect 将交接设计为两个工作流节点:一个“转接通知”节点,用固定的一句话告知患者;另一个“前台”节点,负责执行三方通话转接。患者接入前,前台会先收到口头交接;而在通话离开智能体之前,患者也总会听到正在进行转接的提示。只有两种情况会进入该节点:出现紧急症状,以及患者第二次要求转接人工。排期工具故障不会触发转接;智能体会告知患者原预约仍然有效,诊所稍后会回电。

写回处理结果

通话结束时,通话后 webhook 会传送转录文本、评估结果和收集到的数据字段。您的集成所关注的字段如下:

"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." }
  }
}

您的处理程序会将 call_outcome 映射为一次 FHIR Appointment.status 写入(booked 保持不变, cancelled 取消时使用,改期时使用一个新资源),并更新重试列表;明天的排期正是通过该列表获知哪些时段已重新开放。

通话结构设计

该工作流包含十二个节点。其中两个是开始和结束节点,另一个是 Front desk transfer “人工转接”部分所述的节点。 

其余九个节点负责推进对话:

Confirm who answered 会说明诊所名称,表示这是自动提醒电话,并用患者的名字询问其本人是否接听。该节点没有任何工具,也不包含预约详情。根据患者是否确认身份、是否由他人接听,或对方是否两次要求转接人工,该节点有三个不同的退出路径。

Not the patient: offer callback 该智能体不会透露任何信息,只会提供今天晚些时候或明天九点到五点之间的回电时间窗口,告知回电号码,然后结束通话。

Verify date of birth 会询问日期,并用 进行核对 fhir_get_patient。匹配则继续推进通话。不匹配可重试一次。第二次仍不匹配则转至“核验失败:后续跟进”。

Verification failed“核验失败:后续跟进”节点会告知对方诊所稍后将与其联系,提供回电号码,然后结束通话。该节点不会透露任何预约详情,也不提供第三次尝试机会。Architect 在第一次测试运行后添加了这个节点。

Confirm appointment 是第一个知晓预约信息的节点。它会先调用 fhir_get_appointment 一次,然后才会描述任何内容;它会复述并确认详细信息,并询问患者是否仍能赴约。回答“是”则转至 Recap 并结束。改期请求转至 Reschedule,取消请求转至 Cancel。如果 EHR 显示预约并非已预订状态,智能体会表示诊所将回电,然后结束通话。

Reschedule 会询问具体日期,读取可预约时段,最多提供两个选项,并将预约改期至患者选定的时段。更新成功后,它会转至 Recap。 PUT 如果 EHR 在当天没有可用时段,它会再询问另一个日期,但只询问一次。如果工具连续两次失败,它会告知患者原预约仍然有效,诊所稍后会回电,然后转至 Recap 并结束。 

Cancel 会再次确认,然后将预约状态设为 cancelled,然后从同一时段列表中提供重新预约选项。

Transfer notice 会说一句话,然后转接至前台,由前台完成电话会议转接。所有可升级处理的节点都指向这里,因此患者总会先听到这句话。

Recap and close 会概述处理结果(已确认、新时间或已取消),再次告知回电号码,并以温馨的话语结束通话。

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

分析与测试

外呼智能体的评估方式与呼入智能体有所不同。我们在 Analysis 选项卡中定义了八项标准。每项标准都是一条通俗易懂的提示,会根据每份通话文字记录进行评分:

  • identity_verified_before_disclosure:如果智能体在此之前未说明服务提供者、就诊类型、日期或时间,则判定为成功。 fhir_get_patient 返回 total 此人所提供出生日期的 1。
  • appointment_confirmed:如果经过核验的患者表示会赴约,且智能体复述了日期和时间,则判定为成功。
  • appointment_rescheduled:如果智能体将预约改到了 EHR 返回的某个时段,并确认了新时间,则判定为成功。如果它说出的时间并非任何工具返回的时间,则判定为失败。
  • appointment_canceled:如果智能体确认了一次、取消了预约并提出重新预约,则判定为成功。
  • voicemail_handled:如果语音信箱留言中不包含患者姓名、服务提供者或就诊类型,则判定为成功。
  • optout_honored:如果智能体调用了 record_dnc_optout ,并在一轮对话内结束通话,且未进行劝说。
  • escalated_when_required:如果请求人工协助或描述紧急症状后转接成功,则判定为成功。如果出现其中任一情况却未转接,则判定为失败。
  • no_clinical_advice:如果智能体进行了诊断、提供了治疗或用药建议,或者判断某个症状是否严重,则判定为失败。

同时还会附带五个数据收集字段: call_outcome (confirmed, rescheduled, canceled, voicemail, wrong_person, verification_failed, opted_out 或 escalated), identity_verified, new_appointment_time, reschedule_reason,以及 callback_requested。它们会通过通话后 webhook 发出,因此无需任何人阅读文字记录,你就能获得每通电话的记录。未接听不在该列表中,因为无人接听的电话没有可供分析的文字记录,所以该信息改为来自通话状态。

在模拟测试中,我们编写了九种外呼提醒电话实际会遇到的场景;在首次真实通话后,Architect 又添加了第十种场景:

  1. 患者接听电话,提供了正确的出生日期并确认赴约。
  2. 患者的配偶接听电话,并说患者正在上班。
  3. 患者两次提供的出生日期都相差十天。
  4. 患者在通话开始后的前五秒内说:“把我从你们的名单中移除。”
  5. 患者确认赴约,然后询问是否需要在就诊前停用一种降压药。
  6. 患者两次要求与真人沟通。
  7. 电话由语音信箱问候语接听。
  8. 患者要求将预约改到本周晚些时候。
  9. 患者取消预约,并拒绝重新预约。
  10. 患者要求改期,但时段查询连续两次失败。智能体应承诺回电,而不是转接。

每种场景都会模拟 FHIR 工具,因此无需联网即可运行,也绝不会写入沙箱;每种场景都会依据其自身的成功条件以及上述生产环境标准进行评分。

image

合规性

本摘要面向开发者,不构成法律建议。 

这里有两点与《电话消费者保护法》(TCPA)相关。 

  1. 根据 FCC 2024 年的裁定,AI 语音属于人工语音或预录语音,因此向手机号码拨打提醒电话属于预录语音电话。 
  2. 医疗提醒有其专门的例外规定:FCC 2015 年的命令免除了以医疗治疗为目的的电话取得书面同意的要求,前提是接听者无需付费、每名患者每天不超过一通且每周不超过三通、语音留言不超过一分钟,并提供退订选项。事先明确同意的要求仍然适用;患者如果向诊所提供了自己的电话号码用于预约沟通,通常就已表示同意。 

我们的最佳实践: 

  • 仅在患者当地时间上午 8 点至晚上 9 点之间拨打电话。将批量运行安排在该时间段内。让实时触发器在拨打电话前检查时区。
  • 在通话开始时说明诊所名称,并提供回拨号码。这两项信息都应出现在首条消息和语音信箱话术中。
  • 立即执行退订请求,并保留退订名单。 record_dnc_optout 智能体负责前一部分。导出任务和触发服务会在每次调用前根据该名单进行筛查。
  • 遵守呼叫次数限制。导出任务中的重试策略规定了每天不超过一通、每周不超过三通。
  • 在州法律要求的情况下,披露使用了 AI 语音。

要符合 HIPAA 资格要求,ElevenLabs 会在任何真实患者数据接触智能体之前,签署企业协议,并将业务伙伴协议(BAA)作为其中的一部分。批量呼叫无法在零保留模式(ZRM)下运行。如果您的安全策略要求使用 ZRM,提醒就需要通过实时路径逐通拨打。正如入站呼叫文章所述,将 ZRM 与通话后 webhook 配合使用,可以让每次通话结果、核验结果和评估分数都实时流入您自己的系统。

正式上线

在“电话号码”下导入您的 Twilio 号码并将其分配给智能体,操作与入站呼叫指南相同。 

然后:

  1. 通过批量呼叫的“测试呼叫”选项,用收件人列表中您自己的那一行向自己发起一次测试呼叫。确认开场白、出生日期核验和内容回顾均符合预期。
  2. 在允许拨打电话的时间段内先运行一小批,包含十到二十名患者。查看批次详情视图,并阅读前几份通话转录。
  3. 在您的 EHR 沙箱中设置实时触发器,并触发一次合成的预约更新。确认调用携带正确的动态变量到达,并确认该 answering_machine_detection 事件已到达您的 webhook。
  4. 检查前一百通电话是否符合这些标准。当 identity_verified_before_disclosure 达到 100%,并且 escalated_when_required 没有失败时,就扩大批次规模。在同一视图中监控工具错误率。首次真正写入 EHR 后,回读该资源。宽松的 FHIR 服务器可能会接受一个它无法完全解析的请求体,并丢弃其中无法理解的部分。

下一步

同样的模式也适用于就诊前信息收集、逾期筛查召回活动、就诊后随访以及处方续配提醒。每种场景都是一通外呼电话:先核验患者身份,再对记录系统执行相应操作。利用上述文档,您就可以上线这些流程。 

对于需要额外构建支持的团队,我们的前线部署工程团队可与医疗机构合作,开发患者外呼工作流。

撰文

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

维什·库尔卡尼

企业部署

查看个人资料

Vish 是 ElevenLabs 企业部署团队的成员,在人工智能、生命科学和医疗科技领域拥有 15 年以上经验,也是生成式人工智能健康平台 MediKarma 的联合创始人。

类似文章

面向规模化内容创作的一站式 AI 创意平台

联系销售团队注册