①診療の1症例ずつSOAPつまり起承転結をlocal AIに入れていきたい。最終的には、診断補助のAIを作りたいです。診療の内容は中医学、和漢、西洋医学を用いたもの。デフォルトとして、傷寒論から始まる漢方の古典を全て学習させておきたい。また、実際の診療の際に症例一つ一つの六部定位の脈診、舌診、腹診、八綱弁証、五臓五行、気血水もDATAとしていれて治療の経過をAIに学習してもらう。データ形式はJSON。古典テキスト（傷寒論等）はMarkdown形式で条文単位に整理してRAGに登録します。 ②院内のあらゆるDATAを繋いで、一症例毎に、全ての相関係数を、求める構築にしたい。 生データ（SOAP＋各種検査値）のJSONと、その症例のSEM（共分散構造分析）の結果JSONを、セットで1症例＝1パッケージとしてAIに投入したい。SEMの結果には、パス係数・適合度指標（CFI, RMSEA, SRMR等）・潜在変数の推定値など、生データとは質の異なる「構造的知見」が含まれる。これを生データと同じフィールドに混ぜると、AIが検索する際に「この数値は検査値なのかパス係数なのか」が曖昧になので層を分けて構築したい。SEMについての詳細は、アプローチA：症例が溜まってからバッチでSEM実行。 50〜100症例が蓄積された段階で、全症例を使ってSEMを実行し、その結果をモデルとしてAIに登録する。個別症例にはSEMスコア（因子得点）を付与する。アプローチB：各症例に「事前定義モデルへの当てはめスコア」を付与。 まず先行研究や先生の臨床経験から仮説モデル（パス構造）を事前に定義しておき、新しい症例が来るたびに、その症例の各観測変数の値から潜在変数スコアを算出して記録する。SEMそのものは定期的に（50症例ごと等に）再推定してモデルを更新する。アプローチAとアプローチBを併用したい。① 入力フォーム（HTML） は、ブラウザで開くだけで使えます。起承転結（SOAP）の全項目 ─ 六部定位脈診（6ポジション×選択式）、舌診、腹診（チップ式で複数選択）、八綱弁証、気血水VASスコア、五臓五行、西洋医学指標（CPX・NIRS・HRV・PSG含む）─ を入力すると、下部のSEMパネルに因子得点（気虚度・瘀血度・水滞度・血虚度・心機能障害度）がリアルタイム自動算出されます。「JSONエクスポート」ボタンで二層構造のJSONファイルが出力される。② lavaanテンプレート（R） には3つのモデルを定義している。モデル1（基本）は気血水→心機能のパスモデルで「気虚が瘀血と水滞を生み、それらが心機能を規定する」という病理仮説を検証する。症例50件から実行可能です。モデル2（五臓拡張）は肝鬱・脾虚・腎虚を追加し、肝木克脾土（脾虚肝乗）や心腎不交などの五行相生相克をパスで表現。N≥100で推定する。モデル3（転帰予測）はΔpeak_VO2やΔBNPを転帰変数として、どの漢方弁証因子が心リハの予後を予測す運用の流れとしては、フォームで日々入力 → JSONが溜まる → 50件でmain()実行 → 推定された因子負荷量をfactor_weights.jsonとしてエクスポート → フォームのfactorWeightsオブジェクトを更新、というサイクルで精度を上げていく。更にSEMだけでなくネットワーク分析を併用する。Phase A（ネットワーク分析・探索的） では、EBICglassoで偏相関ネットワークを推定。普通の相関と違い、偏相関は「他の変数の影響を全て取り除いた上での直接的な関連」だけを残す。これにより、たとえば「気虚VAS」と「BNP」の相関が、実は「peakVO2低下」を介した見かけの関連だった場合、そのエッジは消える。残ったエッジだけが直接的な関連。その上で3つの中心性指標を算出。Strength（そのノードに繋がるエッジの合計重み＝全体的影響力）、Betweenness（他のノード間の最短経路上にどれだけ位置するか＝病態連鎖の要所）、Closeness（ネットワーク全体への到達しやすさ＝波及効果の速さ）。3指標すべてで上位に来る変数が「主病態ハブ」の最有力候補。さらにブリッジ中心性で、「気」「血」「水」「心機能」という異なる病態ドメインを跨いで繋ぐ変数を同定。ブリッジ変数への治療介入は複数ドメインに波及するので、治療の優先順位づけに直結。Phase B（SEM・確認的） では、Phase Aで見えた構造を踏まえて、先生が因果仮説（パスの方向）を設定し、lavaanで検証。パス係数の大きさが「主病態→続発病態の寄与度」を定量化。Phase C（統合レポート） で両方の結果を突き合わせ、臨床的解釈を自動生成。
