OpenClaw 醫療保健
使用 OpenClaw 處理病患溝通、臨床筆記與預約管理的醫療院所,常會把病患訊息送到雲端 AI API。透過 Ertas,您可以用自身工作流程中去識別化的範例微調模型,匯出後以 Ollama 在本地執行,涉及病患資料的推論始終留在您掌控的基礎設施上。
The Challenge
醫療院所很快就能看見 OpenClaw 的價值:透過通訊平台自動安排預約、分流病患詢問、處理臨床筆記、產生轉診信,以及處理與保險公司之間的事前授權往來。這些工作占用了櫃台與臨床行政人員大量時間。
HIPAA 隱私規則限制了受保護健康資訊(PHI)與第三方分享的方式。當 OpenClaw 透過雲端 AI API 處理病患詢問時,病患的姓名、病情、治療史與聯絡方式會作為提示輸入送到該服務商的伺服器。這家服務商必須有相應的合約涵蓋,並通過診所隱私與資安團隊的審查,許多診所乾脆希望病患訊息完全不經過第三方 AI 伺服器。
美國民權辦公室(OCR)曾對透過缺乏適當保護措施的系統揭露 PHI 的機構採取執法行動。代理送往雲端 API 的每一則訊息、每一份筆記、每一個預約請求,都會多出一條診所必須交代清楚的資料流。
此外,通用 AI 模型經常在臨床術語上產生幻覺、誤判分流的緊急程度,產生的回覆也與診所的具體流程不符。一旦員工得花時間修改 AI 產生的臨床內容,OpenClaw 帶來的效率提升就會大打折扣。
The Solution
透過 Ertas,醫療院所可以讓 OpenClaw 執行在自行託管的微調模型上。您在 Ertas Studio 中訓練模型,從 Hub 匯出為 GGUF,再以 Ollama 部署在診所自己的硬體上。此後 OpenClaw 的每一次推論請求都會送到這個本地模型,病患訊息在診所自己的伺服器上處理。
訓練在 Ertas 的雲端 GPU 上進行,因此訓練資料集必須上傳到 Ertas。請以診所自身工作流程中去識別化的範例建立資料集,包括分流標準、預約流程、轉診信範本與病患溝通風格。以皮膚科診所範例微調的模型,會依照這家診所的方式區分緊急情況(可疑病灶、快速變化的痣)與例行情況(年度皮膚檢查、美容諮詢)。
管理多家診所的醫療體系與代理商,可以在 Studio 中為每家診所分別訓練模型,反映各自的溝通風格、臨床專科與排班規則,並在體系自己掌控的基礎設施上執行每個模型。
Key Features
透過 Ollama 本地推論
從 Hub 將訓練好的模型匯出為 GGUF,在診所自己的硬體上以 Ollama 執行。OpenClaw 把推論請求送到這個本地模型,病患訊息中的 PHI 在您的伺服器上處理,不經過雲端 AI API。
臨床工作流程微調
在 Studio 中以診所工作的去識別化範例進行微調,包括分流流程、預約規則、轉診範本與病患溝通方式。完成的模型掌握診所自身的臨床脈絡,減少幻覺,並在診所自己的任務上更準確。
多診所部署
醫療體系、管理集團與代理商 可以在 Studio 中為每家診所分別訓練模型,平行執行訓練並互相比較。每家診所都得到一個由自身範例塑造的模型,部署在體系自己掌控的基礎設施上。
在 Data Craft 中由員工審核
診所員工在 Studio 的引導式資料集建立工具 Data Craft 中建立與修正訓練範例:新增 USER 和 ASSISTANT 對話輪次,依診所規範修改回覆,為每個範例保存版本,核准後才進入訓練。
Example Workflow
美國一家擁有五個據點、12 位牙醫的牙科診所集團部署 OpenClaw,透過 WhatsApp 和簡訊自動處理病患溝通。目前每個據點的櫃台人員每天要花好幾個小時回覆預約詢問、發送提醒、處理改約,並解答療程與保險給付的診前問題。集團從診所管理系統匯出 8,000 則去識別化的病患溝通紀錄,涵蓋預約、療程諮詢、保險問題與術後追蹤。集團的營運主管在 Data Craft 中抽查樣本,核准符合集團溝通規範的回覆。資料集上傳到 Ertas Studio 後,以 LoRA 微調 Qwen 2.5 7B 基礎模型。團隊用一組保留的溝通紀錄評估模型,依自己的規範為意圖分類(預約、改約、詢問、急診)與回覆品質評分。各據點的可預約時段、牙醫專長與合作保險,由診所管理系統在每次請求時提供給代理。模型從 Hub 匯出為 GGUF,在集團總部的一台 Mac Mini M4 Pro 上以 Ollama 提供服務,各據點的 OpenClaw 實例透過集團內部網路連線。遇到複雜情況時,由員工審核並核准 AI 起草的回覆。病患訊息的推論在集團自己的硬體上執行,集團也會在自身的 HIPAA 制度下評估所用的 WhatsApp 與簡訊服務商。
Compliance & Security
HIPAA 以及任何適用的州級健康隱私法規,其各項要求都由診所自行落實。這套部署改變的是以下幾點。匯出的模型以 Ollama 在本地執行後,OpenClaw 的推論請求會送到診所自己的伺服器,病患訊息中的 PHI 在那裡處理,不經過雲端 AI API。訓練在 Ertas 的雲端 GPU 上進行,因此訓練資料集必須上傳到 Ertas:上傳前請依 Safe Harbor 或 Expert Determination 標準完成去識別化。資料集保存在 Studio 中,以便重複訓練,您可以隨時刪除。存取控管、日誌以及訊息管道本身(WhatsApp、簡訊)仍屬於診所自身資安與隱私審查的範圍。
Related Resources
Fine-Tuning(微調)
LoRA
GGUF
Inference(推論)
Adapter(適配器)
OpenClaw HIPAA and GDPR Compliance Guide
OpenClaw Security Risks: The Local Model Fix
Run OpenClaw on Local Models Without API Keys
Healthcare AI and HIPAA: On-Premise vs Cloud API
n8n + Local LLMs: Building HIPAA-Compliant Automation Workflows
Fine-Tuning Healthcare AI: From Clinical Notes to Compliant Deployment
Ollama
llama.cpp
Ertas for Healthcare
Ertas for AI Automation Agencies
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.