PhenoFlow: A Human-LLM Driven Visual Analytics System for Exploring Large and Complex Stroke Datasets

急性中风需要及时诊断和治疗，以实现最佳患者结果。然而，急性中风相关的临床数据，特别是血压（BP）测量的复杂和不规则性质，给有效的视觉分析和决策带来了实质性障碍。通过与经验丰富的神经学家一年的合作，我们开发了PhenoFlow，这是一个视觉分析系统，利用人类和大型语言模型（LLM）之间的协作来分析急性缺血性中风患者的广泛和复杂数据。PhenoFlow开创了一种创新的工作流程，其中LLM充当数据整理者，而神经学家使用可视化和自然语言交互来探索和监督输出。这种方法使神经学家能够更专注于决策，减少认知负荷。为了保护敏感的患者信息，PhenoFlow仅利用元数据进行推断和合成可执行代码，而不访问原始患者数据。这确保了结果既可重现又可解释，同时保护患者隐私。该系统采用切片和包装设计，利用时间折叠创建叠加的圆形可视化。结合线性条形图，这种设计有助于探索不规则测量的BP数据中的有意义的模式。通过案例研究，PhenoFlow展示了其支持广泛临床数据的迭代分析的能力，减少认知负荷，使神经学家能够做出明智的决策。我们的研究基于与领域专家的长期合作，展示了利用LLM解决急性缺血性中风患者数据驱动的临床决策制定中的当前挑战的潜力。

论文旨在解决急性缺血性中风患者数据分析和决策制定中的难点，特别是血压测量数据的复杂性和不规则性。

PhenoFlow是一种可视化分析系统，利用人类和大型语言模型（LLM）之间的协作来分析急性缺血性中风患者的复杂数据。LLM作为数据处理器，神经学家使用可视化和自然语言交互来探索和监督输出，从而减少认知负荷，便于决策制定。

PhenoFlow采用了创新的工作流程，保护了敏感患者信息，只利用元数据进行推断和合成可执行代码，确保结果可重复和可解释，同时维护患者隐私。系统采用切片和包裹设计，利用时间折叠创建重叠的圆形可视化，结合线性条形图，有助于探索不规则测量的血压数据中的有意义的模式。通过案例研究，PhenoFlow展示了支持迭代分析广泛临床数据集的能力，减少认知负荷，使神经学家能够做出明智的决策。

在这个领域中，还有一些相关的研究，如使用深度学习模型预测中风患者的预后，或者使用机器学习模型预测急性中风患者的出院状态。