临床文本到SQL中的患者相似性队列推理
计算与语言
2026-01-16 v1
摘要
现实世界的临床文本到SQL（text-to-SQL）需要对异构的电子健康记录（EHR）表、时间窗口和患者相似性队列进行推理，以生成可执行的查询。我们引入了CLINSQL，这是一个基于MIMIC-IV v3.1的基准测试，包含633个专家标注的任务，要求进行多表连接、临床上有意义的过滤，并生成可执行的SQL。解决CLINSQL任务需要导航模式元数据和临床编码系统，处理长上下文，并组合超出传统文本到SQL范围的多步查询。我们评估了22个专有和开源模型，采用思维链（Chain-of-Thought）自我优化方法，并使用基于评分标准的SQL分析，结合优先考虑关键临床需求的执行检查。尽管近期取得了进展，但性能仍远未达到临床可靠性：在测试集上，GPT-5-mini的执行得分为74.7%，DeepSeek-R1以69.2%领先开源模型，而Gemini-2.5-Pro从简单任务上的85.5%下降到困难任务上的67.2%。在CLINSQL上的进展标志着朝着实现用于现实世界EHR分析的临床可靠文本到SQL迈出了实质性步伐。
引用
@article{arxiv.2601.09876,
title = {Patient-Similarity Cohort Reasoning in Clinical Text-to-SQL},
author = {Yifei Shen and Yilun Zhao and Justice Ou and Tinglin Huang and Arman Cohan},
journal= {arXiv preprint arXiv:2601.09876},
year = {2026}
}
备注
Accepted by EACL 2026