ElevenLabs представляет Scribe v3 Live Medical — модель для транскрипции медицинских телефонных звонков в реальном времени. Она построена на базе Scribe v3 Live, новейшей модели компании для распознавания речи в реальном времени, и оптимизирована для клинического языка. Модель уже доступна в ElevenAgents, платформе компании для голосовых агентов.
Голосовой агент действует на основе того, что слышит во время звонка. Если пациент говорит, что принимает ситаглиптин от диабета, агент может добавить этот препарат в список для проверки врачом. Однако названия лекарств легко расслышать неправильно. В собственных тестах ElevenLabs обнаружила, что одна модель транскрипции записала «ситаглиптин» как «циталопрам» (антидепрессант). Для многих людей такие звонки — первый шаг к связи с их медицинской командой, и агент может помочь только если правильно понимает сказанное.
Звонки, где важны клинические детали
По словам ElevenLabs, названия лекарств и дозировки редко встречаются в обычной речи, поэтому именно их модель общего назначения для работы в реальном времени с наибольшей вероятностью транскрибирует с ошибками. Scribe v3 Live Medical унаследовала клиническую направленность Scribe v2 Medical, уже предлагаемой для аудиозаписей, таких как диктовка или отчеты о консультациях. Она предназначена для звонков от пациентов, членов страховых программ или поставщиков медицинских услуг, где обсуждаются, например, лекарства при поступлении в больницу, процедуры при запросе предварительного согласования или симптомы при последующем наблюдении. Модель также используется для звонков без клинического содержания, таких как запись на прием или уточнение часов работы, при этом компания утверждает, что она сохраняет точность и в отношении обычной речи.
Модель дополнена несколькими функциями. Команды могут загружать до 10 000 пользовательских терминов, которые модель использует только тогда, когда абонент, по-видимому, произносит один из них. По данным компании, с таким списком Scribe v3 Live Medical допускала до 48% меньше ошибок в медицинских терминах. Модель также распознает, что номер не закончен, что предотвращает прерывание агентом абонента, который диктует номер своего страхового полиса по группам цифр. Наконец, она поддерживает более 90 языков и отслеживает смену языка во время звонка.
Результаты, основанные на тестах компании
На PriMock57, публичном наборе данных из 57 смоделированных консультаций общей практики продолжительностью около девяти минут каждая, Scribe v3 Live Medical демонстрирует частоту ошибок по словам (WER) 12,8%, что на 17% меньше ошибок, чем у следующей лучшей медицинской модели. На Fareez OSCE, который включает 272 записанных интервью в рамках клинических экзаменов, она показывает самую низкую среди протестированных медицинских моделей частоту семантических ошибок — 0,6%. ElevenLabs уточняет, что эти результаты получены в ее собственных тестах, проведенных в режиме реального времени с каждой моделью в ее наилучшей доступной конфигурации, и не охватывают все существующие модели.
Что касается задержки, Scribe v3 Live транскрибирует речь примерно за 150 миллисекунд, и Scribe v3 Live Medical, согласно тестам, достигает того же показателя. На Eka Medical ASR она допускает на 4,7% меньше ошибок, чем Scribe v3 Live: 11% против 11,54% частоты семантических ошибок.
Защита данных о здоровье
Медицинские агенты слышат защищенную медицинскую информацию (PHI) во многих звонках: имена, даты рождения, номера страховых полисов, лекарства и симптомы. По данным ElevenLabs, Scribe v3 Live Medical соответствует требованиям HIPAA для корпоративных клиентов, имеющих соглашение делового партнерства (BAA) и активировавших режим Zero Retention. Данные пациентов по умолчанию хранятся в США, а компании при желании могут использовать изолированные среды в Европейском союзе, Индии или Сингапуре.
Несколько команд уже начали разрабатывать агентов с использованием этой модели. Идин Джафари, директор по цифровой стратегии и инновациям в Pfizer, считает, что «опыт взаимодействия с Eleven v4 Turbo и Scribe v3 Live Medical феноменальный», добавляя, что «агент звучит реалистично и точнее передает торговые и генерические названия, которые встречаются в наших беседах». Шантану Горай, основатель и операционный директор Vintage Labs AI, со своей стороны заявляет, что платформа VIA его компании, которая обрабатывает звонки до и после процедур, «лучше понимает пациентов» и что «медсестры теперь могут полагаться на сводку звонка, не переслушивая запись».
