TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews

要約

テーマ分析（TA）は、構造化されていないテキストデータで潜在的な意味を明らかにするために広く使用されている定性的アプローチです。
TAはヘルスケアで貴重な洞察を提供しますが、リソース集約型です。
大規模な言語モデル（LLM）がTAを実行するために導入されていますが、ヘルスケアでのアプリケーションは未開拓のままです。
ここでは、臨床インタビューのためにマルチエージェントLLMSを使用した、Tama：Human-Ai-AIの共同テーマ分析フレームワークを提案します。
エージェント間の構造化された会話を通じて、マルチエージェントシステムのスケーラビリティとコヒーレンスを活用し、TAの心臓専門家の専門知識を調整します。
まれな先天性心疾患である冠動脈（AAOCA）の異常な大動脈起源を持つ子供の親からのインタビュー転写産物を使用して、タマが既存のLLM支援TAアプローチを上回り、より高いテーマのヒット率、カバレッジ、特徴を達成することを実証します。
Tamaは、マニュアルワークロードを大幅に削減しながら品質を高めることにより、マルチエージェントLLMシステムをループ内統合で活用することにより、臨床環境で自動化されたTAの強力な可能性を実証しています。

要約(オリジナル)

Thematic analysis (TA) is a widely used qualitative approach for uncovering latent meanings in unstructured text data. TA provides valuable insights in healthcare but is resource-intensive. Large Language Models (LLMs) have been introduced to perform TA, yet their applications in healthcare remain unexplored. Here, we propose TAMA: A Human-AI Collaborative Thematic Analysis framework using Multi-Agent LLMs for clinical interviews. We leverage the scalability and coherence of multi-agent systems through structured conversations between agents and coordinate the expertise of cardiac experts in TA. Using interview transcripts from parents of children with Anomalous Aortic Origin of a Coronary Artery (AAOCA), a rare congenital heart disease, we demonstrate that TAMA outperforms existing LLM-assisted TA approaches, achieving higher thematic hit rate, coverage, and distinctiveness. TAMA demonstrates strong potential for automated TA in clinical settings by leveraging multi-agent LLM systems with human-in-the-loop integration by enhancing quality while significantly reducing manual workload.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google