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

文章总结与翻译

一、主要内容

本文针对医疗研究人员缺乏数据库专业知识，难以高效利用电子健康记录（EHR）数据的问题，提出了名为CELEC的框架。该框架基于大型语言模型（LLM），实现自动化EHR数据提取与分析，核心功能包括将自然语言查询转化为SQL语句、执行本地查询及生成数据可视化结果。

CELEC的核心设计围绕三大要素：整合数据库模式信息（表名、列名等元数据）、少量示例演示（Few-shot Demonstrations）和思维链推理（Chain-of-Thought），以提升SQL生成的准确性和稳健性。在隐私保护方面，LLM仅接触数据库元数据，所有查询均在机构内部环境安全执行，不向外部传输任何患者级数据。

实验基于EHRSQL-2024基准数据集（适配MIMIC系列EHR数据库）进行评估，CELEC取得81.05%的RS(0)准确率，与领先系统性能相当，同时保持低延迟（单查询平均6秒左右）和成本效益。消融实验验证了少量示例演示、模式信息提供、重试机制等组件对性能的关键作用。

二、创新点

1. 隐私优先的架构设计：严格限制LLM仅访问数据库元数据，患者级数据全程在本地环境处理，彻底避免数据泄露风险，解决了医疗数据与云LLM交互的隐私痛点。
2. 高效的SQL生成策略：融合模式信息、少量示例和思维链推理的提示工程，无需额外训练（仅依赖少量示例提示），即可实现复杂医疗场景的SQL生成，平衡了易用性与灵活性。
3. 端到端一体化功能：集成自然