論文の概要: InsightFlow: LLM-Driven Synthesis of Patient Narratives for Mental Health into Causal Models

• arxiv url: http://arxiv.org/abs/2604.12721v1
• Date: Tue, 14 Apr 2026 13:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.460857
• Title: InsightFlow: LLM-Driven Synthesis of Patient Narratives for Mental Health into Causal Models
• Title（参考訳）: InsightFlow:精神保健のためのLCMによる患者のナラティブを因果モデルに合成する
• Authors: Shreya Gupta, Prottay Kumar Adhikary, Bhavyaa Dave, Salam Michael Singh, Aniket Deroy, Tanmoy Chakraborty,
• Abstract要約: 本稿では,患者とセラピストの対話から5P対応因果グラフを自動生成するInsightFlowを提案する。 臨床専門家が注釈した46の心理療法用経典を用いて, LLM 生成したヒトの定式化に対するグラフを評価した。 専門家評価は、アウトプットを適度に完全で、一貫性があり、臨床的に有用であると評価する。
• 参考スコア（独自算出の注目度）: 16.046573432862772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical case formulation organizes patient symptoms and psychosocial factors into causal models, often using the 5P framework. However, constructing such graphs from therapy transcripts is time consuming and varies across clinicians. We present InsightFlow, an LLM based approach that automatically generates 5P aligned causal graphs from patient-therapist dialogues. Using 46 psychotherapy intake transcripts annotated by clinical experts, we evaluate LLM generated graphs against human formulations using structural (NetSimile), semantic (embedding similarity), and expert rated clinical criteria. The generated graphs show structural similarity comparable to inter annotator agreement and high semantic alignment with human graphs. Expert evaluations rate the outputs as moderately complete, consistent, and clinically useful. While LLM graphs tend to form more interconnected structures compared to the chain like patterns of human graphs, overall complexity and content coverage are similar. These results suggest that LLMs can produce clinically meaningful case formulation graphs within the natural variability of expert practice. InsightFlow highlights the potential of automated causal modeling to augment clinical workflows, with future work needed to improve temporal reasoning and reduce redundancy.
• Abstract（参考訳）: 臨床症例の定式化は、患者症状と精神社会的要因を因果モデルにまとめ、しばしば5Pフレームワークを使用する。 しかし、治療用転写産物からこのようなグラフを構築するのに時間がかかり、臨床医によって異なる。 本稿では,患者とセラピストの対話から5P対応因果グラフを自動生成するInsightFlowを提案する。 臨床専門医が注釈した46の心理療法経典を用いて, 構造的(NetSimile), 意味的(類似点の埋め込み), 専門家評価臨床基準を用いて, LLM 生成したヒトの定式化に対するグラフの評価を行った。 生成されたグラフは、アノテータ間の一致や人間のグラフとのセマンティックアライメントに匹敵する構造的類似性を示す。 専門家評価は、アウトプットを適度に完全で、一貫性があり、臨床的に有用であると評価する。 LLMグラフは、人間のグラフの連鎖のようなパターンよりも相互接続構造を形成する傾向があるが、全体的な複雑さとコンテンツカバレッジは類似している。 以上の結果から, LLMは専門的実践の自然変動において臨床的に有意義な症例定式化グラフを作成できる可能性が示唆された。 InsightFlowは、臨床ワークフローを強化するための自動因果モデリングの可能性を強調している。

関連論文リスト

• GRAIL: Geometry-Aware Retrieval-Augmented Inference with LLMs over Hyperbolic Representations of Patient Trajectories [7.2159153945746795]
  本研究では,来院者による来院者の臨床イベントの予測を目的とした,来院者の来院状況の予測について検討する。 構造化幾何表現と構造認識検索を用いた縦型EHRをモデル化するフレームワークであるGRAILを提案する。 MIMIC-IVの実験により、GRAILはマルチタイプの次世代予測を一貫して改善し、より階層一貫性のある予測が得られることが示された。
  論文  参考訳（メタデータ） (2026-02-13T11:30:37Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph [1.4260605984981949]
  本研究では,グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)を用いた心不全の発生予測手法を提案する。 HFの発生を予測するために、GraphSAGE、Graph Attention Network(GAT)、Graph Transformer(GT)の3つのモデルが実装された。 GTモデルは最高のパフォーマンスを示した(F1スコア: 0.5361, AUROC: 0.7925, AUPRC: 0.5168)。
  論文  参考訳（メタデータ） (2024-11-29T14:40:19Z)
• PhenoFlow: A Human-LLM Driven Visual Analytics System for Exploring Large and Complex Stroke Datasets [21.783005762375417]
  PhenoFlowは、人間と大規模言語モデル(LLM)の協調を利用した視覚分析システムである。 PhenoFlowは、生の患者データにアクセスせずに、メタデータを使用して推論し、実行可能なコードを合成する。 本研究は,急性虚血性脳卒中患者のデータ駆動型臨床意思決定における現在の課題にLCMを用いて取り組む可能性を示す。
  論文  参考訳（メタデータ） (2024-07-23T09:25:59Z)
• Graph-Augmented LLMs for Personalized Health Insights: A Case Study in Sleep Analysis [2.303486126296845]
  大規模言語モデル(LLM)は、インタラクティブなヘルスアドバイスを提供する上で、有望であることを示している。 Retrieval-Augmented Generation (RAG) やファインチューニングのような従来の手法は、複雑で多次元で時間的に関係のあるデータを完全に活用できないことが多い。 本稿では,健康意識のパーソナライズと明確性を高めるために,グラフ拡張LDMフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-24T01:22:54Z)
• Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
  VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。 本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:19:28Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Can large language models build causal graphs? [54.74910640970968]
  大規模言語モデル(LLM)は因果グラフの構築プロセスを容易にする機会である。 LLMは、ユーザが使用する単語、コンテキスト、およびプロンプトの選定に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-03-07T22:05:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。