Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2511.00772

帮助 | 高级搜索

计算机科学 > 数据库

arXiv:2511.00772 (cs)
[提交于 2025年11月2日 ]

标题: 在环境约束下通过大型语言模型可靠地整理电子健康记录数据集

标题: Reliable Curation of EHR Dataset via Large Language Models under Environmental Constraints

Authors:Raymond M. Xiong, Panyu Chen, Tianze Dong, Jian Lu, Benjamin Goldstein, Danyang Zhuo, Anru R. Zhang
摘要: 电子健康记录(EHRs)是现代医疗保健和研究的核心;然而,许多研究人员缺乏编写复杂SQL查询或生成有效可视化所需的数据库专业知识,这限制了数据的有效使用和科学发现。 为解决这一障碍,我们引入CELEC,这是一个基于大型语言模型(LLM)的自动化EHR数据提取和分析框架。 CELEC使用一种集成模式信息、少量示例和思维链推理的提示策略,将自然语言查询转换为SQL,这三者共同提高了准确性和鲁棒性。 在EHRSQL基准的一个子集上,CELEC的执行准确性与先前系统相当,同时通过仅向LLM暴露数据库元数据来保持低延迟、成本效率和严格的隐私保护。 CELEC还遵循严格的隐私协议:LLM仅访问数据库元数据(例如,表名和列名),而所有查询执行都在机构环境中安全进行,确保没有任何患者级别的数据被传输到或与LLM共享。 消融研究表明,SQL生成管道的每个组件,尤其是少量示例,在性能中起着关键作用。 通过降低技术障碍并使医学研究人员能够直接查询EHR数据库,CELEC简化了研究流程并加速了生物医学发现。
摘要: Electronic health records (EHRs) are central to modern healthcare delivery and research; yet, many researchers lack the database expertise necessary to write complex SQL queries or generate effective visualizations, limiting efficient data use and scientific discovery. To address this barrier, we introduce CELEC, a large language model (LLM)-powered framework for automated EHR data extraction and analytics. CELEC translates natural language queries into SQL using a prompting strategy that integrates schema information, few-shot demonstrations, and chain-of-thought reasoning, which together improve accuracy and robustness. On a subset of the EHRSQL benchmark, CELEC achieves execution accuracy comparable to prior systems while maintaining low latency, cost efficiency, and strict privacy by exposing only database metadata to the LLM. CELEC also adheres to strict privacy protocols: the LLM accesses only database metadata (e.g., table and column names), while all query execution occurs securely within the institutional environment, ensuring that no patient-level data is ever transmitted to or shared with the LLM. Ablation studies confirm that each component of the SQL generation pipeline, particularly the few-shot demonstrations, plays a critical role in performance. By lowering technical barriers and enabling medical researchers to query EHR databases directly, CELEC streamlines research workflows and accelerates biomedical discovery.
主题: 数据库 (cs.DB) ; 机器学习 (cs.LG); 应用 (stat.AP)
引用方式: arXiv:2511.00772 [cs.DB]
  (或者 arXiv:2511.00772v1 [cs.DB] 对于此版本)
  https://doi.org/10.48550/arXiv.2511.00772
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Anru R. Zhang [查看电子邮件]
[v1] 星期日, 2025 年 11 月 2 日 02:45:54 UTC (3,296 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
cs.DB
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-11
切换浏览方式为:
cs
cs.LG
stat
stat.AP

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号