ElevenLabs kündigt Scribe v3 Live Medical an, ein medizinisches Transkriptionsmodell für Echtzeit-Telefonanrufe. Es basiert auf Scribe v3 Live, dem neuesten Echtzeit-Spracherkennungsmodell des Unternehmens, und ist für klinische Sprache optimiert. Es ist ab sofort in ElevenAgents, der Sprachagenten-Plattform des Unternehmens, verfügbar.
Ein Sprachagent handelt auf der Grundlage dessen, was er während eines Anrufs hört. Wenn ein Patient angibt, Sitagliptin gegen Diabetes einzunehmen, kann der Agent dieses Medikament zur Überprüfung durch einen Kliniker auf seine Liste setzen. Medikamentennamen sind jedoch besonders anfällig für Hörfehler. In eigenen Tests stellte ElevenLabs fest, dass ein Transkriptionsmodell Sitagliptin als Citalopram, ein Antidepressivum, wiedergab. Für viele Menschen sind diese Anrufe der erste Schritt, um ihr Behandlungsteam zu erreichen, und ein Agent kann nur helfen, wenn er richtig versteht, was gesagt wird.
Anrufe, bei denen klinische Details zählen
Laut ElevenLabs kommen Medikamentennamen und Dosierungen selten in der Alltagssprache vor, weshalb sie die Wörter sind, die ein allgemeines Echtzeitmodell am ehesten falsch transkribiert. Scribe v3 Live Medical übernimmt die klinische Ausrichtung von Scribe v2 Medical, das bereits für Audioaufnahmen wie Diktate oder Konsultationsberichte angeboten wird. Es ist für Anrufe von Patienten, Versicherten oder Leistungserbringern gedacht, bei denen es um ein Medikament bei der Aufnahme, einen Eingriff bei einer Vorabgenehmigung oder ein Symptom bei einer Nachsorge geht. Es wird auch für Anrufe ohne klinischen Inhalt verwendet, wie Terminvereinbarungen oder Öffnungszeiten, wobei das Unternehmen angibt, dass es seine Genauigkeit bei Alltagssprache beibehält.
Mehrere Funktionen ergänzen das Modell. Teams können bis zu 10.000 benutzerdefinierte Begriffe hochladen, die das Modell nur verwendet, wenn ein Anrufer einen davon auszusprechen scheint. Laut dem Unternehmen hat Scribe v3 Live Medical mit einer solchen Liste bis zu 48 % weniger Fehler bei medizinischen Begriffen gemacht. Das Modell erkennt auch, wenn eine Nummer noch nicht vollständig ist, sodass der Agent einen Anrufer nicht unterbricht, der seine Versichertennummer in Zifferngruppen buchstabiert. Schließlich unterstützt es über 90 Sprachen und folgt Sprachwechseln während eines Anrufs.
Ergebnisse basierend auf Unternehmens-Tests
Auf PriMock57, einem öffentlichen Datensatz mit 57 simulierten Hausarztkonsultationen von jeweils etwa neun Minuten, erreicht Scribe v3 Live Medical eine Wortfehlerrate (WER) von 12,8 %, das sind 17 % weniger Fehler als das nächstbeste medizinische Modell. Auf Fareez OSCE, das 272 aufgezeichnete Interviews aus klinischen Prüfungen umfasst, erzielt es die niedrigste semantische Fehlerrate der getesteten medizinischen Modelle mit 0,6 %. ElevenLabs stellt klar, dass diese Ergebnisse aus eigenen Tests stammen, die im Echtzeitmodus mit jedem Modell in seiner besten verfügbaren Konfiguration durchgeführt wurden, und nicht alle existierenden Modelle abdecken.
In Bezug auf Latenz transkribiert Scribe v3 Live Sprache in etwa 150 Millisekunden, und Scribe v3 Live Medical erreicht laut Tests denselben Wert. Auf Eka Medical ASR macht es 4,7 % weniger Fehler als Scribe v3 Live, also eine semantische Fehlerrate von 11 % gegenüber 11,54 %.
Schutz von Gesundheitsdaten
Gesundheitsagenten hören in vielen Anrufen geschützte Gesundheitsinformationen (PHI): Namen, Geburtsdaten, Versichertennummern, Medikamente und Symptome. Laut ElevenLabs ist Scribe v3 Live Medical HIPAA-konform für Unternehmenskunden mit einer Business Associate Agreement (BAA), die den Zero-Retention-Modus aktiviert haben. Patientendaten werden standardmäßig in den USA gespeichert, und Unternehmen können auf Wunsch isolierte Umgebungen in der Europäischen Union, Indien oder Singapur nutzen.
Mehrere Teams haben bereits begonnen, Agents mit dem Modell zu entwickeln. Idin Jafari, Leiter für digitale Strategie und Innovation bei Pfizer, findet, dass »die Interaktionserfahrung mit Eleven v4 Turbo und Scribe v3 Live Medical phänomenal ist«, und fügt hinzu, dass »der Agent realistisch klingt und bei Marken- und Generikanamen, die in unseren Gesprächen vorkommen, genauer ist«. Shantanu Ghorai, Gründer und Chief Operating Officer von Vintage Labs AI, erklärt seinerseits, dass die VIA-Plattform seines Unternehmens, die Anrufe vor und nach Eingriffen bearbeitet, »Patienten besser versteht« und dass »Krankenschwestern sich nun auf die Anrufzusammenfassung verlassen können, ohne die Aufnahme erneut anzuhören«.
