Ertas + OpenClaw 助力医疗健康
使用 OpenClaw 进行患者沟通、临床笔记处理和预约管理的医疗机构,往往会把患者消息发送到云端 AI API。借助 Ertas,您可以用自己工作流程中去标识化的示例微调模型,导出后通过 Ollama 在本地运行,涉及患者数据的推理始终留在您掌控的基础设施上。
The Challenge
医疗机构很快就能看到 OpenClaw 的价值:通过即时通讯平台自动安排预约,分诊患者咨询,处理临床笔记,生成转诊信,处理与保险公司之间的预授权往来。这些工作占用了前台和临床行政人员的大量时间。
HIPAA 隐私规则限制了受保护健康信息(PHI)与第三方共享的方式。当 OpenClaw 通过云端 AI API 处理患者咨询时,患者的姓名、病情、治疗史和联系方式会作为提示输入发送到该服务商的服务器。这家服务商必须有相应的合同覆盖,并接受诊所隐私与安全团队的审查,很多诊所干脆希望患者消息完全不经过第三方 AI 服务器。
美国民权办公室(OCR)曾对通过缺乏足够保障措施的系统披露 PHI 的机构采取执法行动。代理发往云端 API 的每一条消息、每一份笔记、每一个预约请求,都会增加一条诊所需要说明清楚的数据流。
此外,通用 AI 模型经常在临床术语上产生幻觉,误判分诊紧急程度,生成的回复也与诊所的具体流程不符。员工一旦要花时间修改 AI 生成的临床内容,OpenClaw 带来的效率提升就会大打折扣。
The Solution
借助 Ertas,医疗机构可以让 OpenClaw 运行在自己托管的微调模型上。您在 Ertas Studio 中训练模型,从 Hub 导出为 GGUF,再通过 Ollama 部署在诊所自己的硬件上。此后 OpenClaw 的每一次推理请求都发送到这个本地模型,患者消息在诊所自己的服务器上处理。
训练在 Ertas 的云端 GPU 上进行,因此训练集需要上传到 Ertas。请用诊所自身工作流程中去标识化的示例来构建训练集,包括分诊标准、预约流程、转诊信模板和与患者沟通的风格。用皮肤科诊所的示例微调的模型,会按照这家诊所的方式区分紧急情况(可疑病变、快速变化的痣)和常规情况(年度皮肤检查、美容咨 询)。
管理多家诊所的医疗网络和代理机构,可以在 Studio 中为每家诊所分别训练一个模型,体现各自的沟通风格、临床专科和排班规则,并在网络自己掌控的基础设施上运行每个模型。
Key Features
通过 Ollama 本地推理
从 Hub 将训练好的模型导出为 GGUF,在诊所自己的硬件上用 Ollama 运行。OpenClaw 把推理请求发送到这个本地模型,患者消息中的 PHI 在您的服务器上处理,不经过云端 AI API。
临床工作流微调
在 Studio 中用诊所工作的去标识化示例进行微调,包括分诊流程、预约规则、转诊模板和患者沟通方式。得到的模型掌握诊所自身的临床语境,减少幻觉,并在诊所自己的任务上更加准确。