ElevenLabs anuncia Scribe v3 Live Medical, un modelo de transcripción médica diseñado para llamadas telefónicas en tiempo real. Está construido sobre Scribe v3 Live, el modelo de reconocimiento de voz en tiempo real más reciente de la empresa, y optimizado para el lenguaje clínico. Ya está disponible en ElevenAgents, la plataforma de agentes de voz de la compañía.
Un agente de voz actúa sobre lo que escucha durante una llamada. Cuando un paciente declara tomar sitagliptina para la diabetes, el agente puede añadir ese medicamento a su lista para que un clínico la revise. Sin embargo, los nombres de los medicamentos son propensos a errores de audición. En sus propias pruebas, ElevenLabs observó que un modelo de transcripción transcribió sitagliptina como citalopram, un antidepresivo. Para muchas personas, estas llamadas son el primer paso para contactar con su equipo de atención, y un agente solo puede ayudarles si comprende correctamente lo que se le dice.
Llamadas donde los detalles clínicos importan
Según ElevenLabs, los nombres de medicamentos y las posologías rara vez aparecen en el lenguaje cotidiano, lo que los convierte en las palabras que un modelo generalista en tiempo real tiene más riesgo de transcribir mal. Scribe v3 Live Medical adopta la orientación clínica de Scribe v2 Medical, ya disponible para grabaciones de audio, como dictados o informes de consulta. Está destinado a llamadas de pacientes, asegurados o proveedores de atención donde se discute un medicamento en el ingreso, un procedimiento en una solicitud de autorización previa o un síntoma en un seguimiento. También se utiliza para llamadas sin contenido clínico, como la programación de citas o los horarios de apertura, y la empresa afirma que mantiene su precisión en el lenguaje cotidiano.
Varias funciones complementan el modelo. Los equipos pueden cargar hasta 10.000 términos personalizados, que el modelo solo utiliza cuando un interlocutor parece pronunciar alguno de ellos. Según la empresa, con dicha lista, Scribe v3 Live Medical cometió hasta un 48 % menos de errores en términos médicos. El modelo también reconoce cuando un número no ha terminado, evitando que el agente interrumpa a un interlocutor que deletrea su número de asegurado por grupos de dígitos. Finalmente, admite más de 90 idiomas y sigue los cambios de idioma durante la llamada.
Resultados basados en las pruebas de la empresa
En PriMock57, un conjunto de datos público de 57 consultas simuladas de medicina general de aproximadamente nueve minutos cada una, Scribe v3 Live Medical muestra una tasa de error de palabras (WER) del 12,8 %, es decir, un 17 % menos de errores que el siguiente modelo médico de mejor rendimiento. En Fareez OSCE, que incluye 272 entrevistas grabadas en el contexto de exámenes clínicos, obtiene la tasa de error semántico más baja entre los modelos médicos probados, con un 0,6 %. ElevenLabs especifica que estos resultados provienen de sus propias pruebas, realizadas en modo tiempo real con cada modelo en su mejor configuración disponible, y no cubren todos los modelos existentes.
En cuanto a latencia, Scribe v3 Live transcribe el habla en aproximadamente 150 milisegundos, y Scribe v3 Live Medical alcanza, según las pruebas, el mismo valor. En Eka Medical ASR, comete un 4,7 % menos de errores que Scribe v3 Live, es decir, un 11 % frente a un 11,54 % de tasa de error semántico.
Protección de los datos de salud
Los agentes de atención sanitaria escuchan información de salud protegida (PHI) en muchas llamadas: nombres, fechas de nacimiento, números de asegurado, medicamentos y síntomas. Según ElevenLabs, Scribe v3 Live Medical es elegible para HIPAA para clientes empresariales con un acuerdo de asociación comercial (BAA) y que hayan activado el modo Zero Retention. Los datos de los pacientes se almacenan por defecto en Estados Unidos, y las empresas que lo deseen pueden utilizar entornos aislados en la Unión Europea, India o Singapur.
Varios equipos ya han comenzado a desarrollar agentes con el modelo. Idin Jafari, director de estrategia digital e innovación en Pfizer, considera que «la experiencia de interacción con Eleven v4 Turbo y Scribe v3 Live Medical es fenomenal», añadiendo que «el agente suena de manera realista y es más preciso con los nombres de marca y los nombres genéricos que surgen en nuestras conversaciones». Por su parte, Shantanu Ghorai, fundador y director de operaciones de Vintage Labs AI, afirma que la plataforma VIA de su empresa, que gestiona llamadas pre y post intervención, «comprende mejor a los pacientes» y que «las enfermeras ahora pueden confiar en el resumen de la llamada sin tener que volver a escuchar la grabación».
