Ertas + OpenClaw 助力医疗健康

The Challenge

医疗提供者立即看到 OpenClaw 的价值：通过消息平台自动化预约安排，分拣患者咨询，处理临床笔记，生成转诊信，管理保险预授权通信。这些工作流消耗大量行政时间——平均每家医疗机构每周花 15-20 小时在 AI 代理可以处理的任务上。

但 HIPAA 的隐私规则禁止在没有患者同意或业务合作协议（BAA）的情况下向第三方披露受保护健康信息（PHI）。当 OpenClaw 通过云 API 处理患者咨询时，患者的姓名、病情、治疗历史和联系方式作为提示输入被传输。标准的 OpenAI 和 Anthropic API 不包含 BAA——即使有企业 BAA，这种数据流也会造成大多数合规官无法接受的审计风险。

风险并非理论上的。OCR（民权办公室）执法行动已经针对通过没有充分保障的系统传输 PHI 的组织。使用云 API 的 OpenClaw 的医疗提供者正在创建一种数据流，每次患者交互都将 PHI 发送到第三方服务器。每条消息、每份笔记、每个预约请求都成为潜在的合规违规。

同时，通用 AI 模型经常在临床术语上产生幻觉，错误分类分拣紧急度，并产生与特定诊所协议不一致的回复。当员工花时间修正 AI 生成的临床内容时，OpenClaw 的生产力提升就被削弱了。

The Solution

Ertas 使医疗提供者能够用微调的本地模型部署 OpenClaw，完全消除 HIPAA 合规问题。所有推理通过 Ollama 在提供者自有基础设施上运行——PHI 永远不会离开场所。不需要 BAA，因为没有涉及第三方处理者。

微调模型在提供者的实际临床工作流上训练：他们的分拣标准、预约安排协议、转诊信模板和患者沟通风格。在皮肤科诊所数据上微调的模型理解在该特定诊所的背景下紧急（可疑病变、快速变化的痣）和常规（年度皮肤检查、美容咨询）之间的区别——不仅仅是一般医学知识。

对于管理多个诊所的医疗网络和代理商，Ertas 的 LoRA 适配器系统部署单个基础模型并配备按诊所分配的适配器。每个诊所的患者沟通风格、临床专科和排班协议都捕获在轻量级适配器（50-200MB）中，而共享基础模型处理通用语言能力。

Key Features

Example Workflow

一家位于墨尔本的多站点牙科诊所集团（5 个站点、12 名牙医）部署 OpenClaw 通过 WhatsApp 和 SMS 自动化患者沟通。目前每个站点的前台工作人员每天花 3-4 小时回复预约咨询、发送提醒、处理改约请求和回答关于治疗项目和保险覆盖的预约前问题。诊所集团从其诊所管理系统导出 8,000 条患者沟通对话（脱敏），涵盖预约安排、治疗项目咨询、保险问题和术后随访。此数据集上传到 Ertas Studio，用 LoRA 微调 Qwen 2.5 7B 基础模型。生成的模型在意图分类（预约 vs. 改约 vs. 咨询 vs. 紧急情况）上达到 93% 的准确率，并生成符合诊所集团沟通准则的回复。按站点的 LoRA 适配器捕捉每个站点的特定排班可用性、牙医专科和保险面板。模型部署在集团中心办公室的一台 Mac Mini M4 Pro 上，运行 Ollama 并进行适配器热切换。各站点的 OpenClaw 实例通过诊所集团的私有网络连接到中央服务器。部署后，前台员工在消息上的时间从每天 3-4 小时减少到 30-45 分钟（专注于审查和批准复杂案例的 AI 起草回复）。没有患者数据离开诊所集团的网络。HIPAA 合规通过设计来维护。