论文
InsightFlow：LLM 驱动的将患者心理健康叙述合成为因果模型
InsightFlow: LLM-Driven Synthesis of Patient Narratives for Mental Health into Causal Models
摘要
临床案例制定通常使用 5P 框架将患者症状和心理社会因素组织成因果模型。然而，根据治疗记录构建此类图表非常耗时，并且因临床医生而异。我们提出了 InsightFlow，一种基于 LLM 的方法，可以从患者与治疗师的对话中自动生成 5P 对齐的因果图。使用由临床专家注释的 46 个心理治疗摄入记录，我们使用结构 (NetSimile)、语义（嵌入相似性）和专家评级的临床标准，根据人类公式评估 LLM 生成的图表。生成的图显示出与注释者间一致性相当的结构相似性以及与人类图的高度语义对齐。专家评估将输出评为中等完整、一致且具有临床实用性。虽然与人类图的链状模式相比，LLM 图倾向于形成更多互连的结构，但总体复杂性和内容覆盖范围相似。这些结果表明，LLM 可以在专家实践的自然变化范围内生成具有临床意义的病例表述图。 InsightFlow 强调了自动化因果建模在增强临床工作流程方面的潜力，未来需要改进时间推理并减少冗余。