OpenClaw 醫療保健

The Challenge

醫療保健服務提供者立即看到 OpenClaw 的價值：透過通訊平台自動化預約排程、分類患者查詢、處理臨床筆記、生成轉介信和管理保險預授權信函。這些工作流程消耗大量行政時間——一般醫療診所每週在 AI 代理可以處理的任務上花費 15-20 小時。

但 HIPAA 的隱私規則禁止在未經患者同意或無商業夥伴協議（BAA）的情況下向第三方揭露受保護健康資訊（PHI）。當 OpenClaw 透過雲端 API 處理患者查詢時，患者的姓名、病況、治療歷史和聯繫方式都作為提示輸入被傳輸。標準 OpenAI 和 Anthropic API 不包含 BAA——即使有企業 BAA，資料流也會產生大多數合規官員不會接受的稽核暴露。

風險並非理論性的。OCR（民權辦公室）的執法行動已針對在沒有充分保障措施的系統中傳輸 PHI 的組織。使用雲端 API 的 OpenClaw 的醫療保健提供者正在建立一個在每次患者互動中將 PHI 發送到第三方伺服器的資料流。每條訊息、每份筆記、每個預約請求都成為潛在的合規違規。

同時，通用 AI 模型經常在臨床術語上產生虛構、錯誤分類分診緊急程度，並產出不符合診所特定協議的回覆。OpenClaw 的生產力提升在工作人員花時間修正 AI 生成的臨床內容時被削弱。

The Solution

Ertas 使醫療保健提供者能夠部署具有微調本地模型的 OpenClaw，完全消除 HIPAA 合規問題。所有推論透過 Ollama 在提供者自有的基礎設施上運行——PHI 永遠不會離開院所。不需要 BAA，因為不涉及第三方處理者。

微調模型是在提供者的實際臨床工作流程上訓練的：其分診標準、預約排程協議、轉介信模板和患者溝通風格。一個在皮膚科診所資料上微調的模型理解在該特定診所的脈絡下，什麼是緊急（可疑病灶、快速變化的痣）和什麼是常規（年度皮膚檢查、美容諮詢）的區別——而非只是通用醫學知識。

對於管理多個診所的醫療網絡和代理機構，Ertas 的 LoRA 適配器系統在透過 Ollama 本地運行的共享基礎模型上部署逐診所適配器。每個診所的患者溝通風格、臨床專科和排程協議都捕捉在一個輕量適配器（50-200MB）中，而共享基礎模型處理通用語言能力。

Key Features

Example Workflow

墨爾本一家多地點牙科診所集團（5 個地點、12 名牙醫）部署 OpenClaw 自動化 WhatsApp 和 SMS 上的患者溝通。目前，每個地點的前台工作人員每天花 3-4 小時回應預約查詢、發送提醒、處理改期請求，以及回答關於治療程序和保險承保的預約前問題。診所集團從其診所管理系統匯出 8,000 個患者溝通對話（已去識別化），涵蓋預約排程、治療程序查詢、保險問題和術後追蹤。資料集上傳至 Ertas Studio，在此微調 Qwen 2.5 7B 基礎模型並使用 LoRA。產出的模型在意圖分類（預約 vs. 改期 vs. 查詢 vs. 緊急）上達到 93% 的準確率，並生成匹配診所集團溝通指南的回覆。逐地點 LoRA 適配器捕捉每個地點的特定排程可用性、牙醫專科和保險面板。模型部署在集團中央辦公室的單一 Mac Mini M4 Pro 上運行 Ollama 並配備適配器熱切換。每個地點的 OpenClaw 實例透過診所集團的私有網路連接到中央伺服器。部署後，前台工作人員在通訊上的時間從每天 3-4 小時降至 30-45 分鐘（專注於審查和核准複雜案例的 AI 起草回覆）。沒有患者資料離開診所集團的網路。HIPAA 合規在設計上得到維護。