通过使用伪标记的无法回答的问题，我们提出了一种自我训练策略，以提高电子健康记录（EHR）的文本转 SQL 模型的可靠性。该方法包括两阶段的训练流程，紧接着使用基于令牌熵和查询执行的过滤方法。在 EHRSQL 2024 共享任务中，我们的方法证明了其有效性并展示了通过更可靠的文本转 SQL 系统改善医疗决策的潜力。

May, 2024

电子健康档案（EHRs）是存储医院患者整个病史的关系型数据库，通过构建问答系统、利用文本到 SQL 的模型将自然语言问题转化为对应的 SQL 查询并使用这些查询检索答案，可以提供医疗专业人员所需的答案，改进其临床工作流程并满足其需求。

May, 2024

本文对大型语言模型（LLMs）在 Text-to-SQL 任务中的应用进行了研究，提出了一种新的集成解决方案 DAIL-SQL，并通过实验证明了其在 Spider 排行榜上取得了 86.6% 的执行准确率。研究重点在于提示工程中的令牌效率和任务特定的监督微调。通过探索开源 LLMs 在 Text-to-SQL 中的潜力，以及任务特定的监督微调的优势和劣势，希望能够对 LLMs 在 Text-to-SQL 领域提供更深入的了解，并激发进一步的研究和广泛应用。

Aug, 2023

使用新颖的文本至 SQL 框架，我们处理超出数据库范围或超出系统能力的无法回答的问题，将其标准化并与表模式相结合，以确保准确的数据检索，实现在临床自然语言处理工作坊的 EHRSQL-2024 挑战中具有竞争力的表现。

May, 2024

我们提出了一种新的文本到 SQL 数据集，用于电子健康记录（EHRs）。该数据集提供了一个挑战，需要模型可以生成反映医院需求范围的 SQL 查询，包括简单检索和复杂操作，如计算生存率，同时需要理解时间表达式以回答与时间敏感相关的问题，并根据预测置信度区分问题是否有答案，以发展和评估结构化 EHR 数据上的 QA 模型并迈向文本到 SQL 研究和医疗保健方面部署之间的缩小差距。

Jan, 2023

本文利用深度学习技术提出了一种新的基于 Translate-Edit 模型的健康医疗 Question-to-SQL 语句生成方法，并在公开的电子病历数据库 MIMIC 上进行了广泛实验。结果表明，该方法可适应医疗领域中常见的缩写与错别字，对病情信息的预测表现良好。

Jul, 2019

根据自然语言问题（文本到 SQL）生成准确的 SQL 是一个长期存在的问题，传统的文本到 SQL 系统使用人工工程和深度神经网络，而最近的大型语言模型（LLMs）已经展示出在自然语言理解方面的显著能力，因此，将 LLM-based 实现整合到文本到 SQL 研究中可以带来独特的机遇、挑战和解决方案。

Jun, 2024

通过在医疗文本转 SQL 数据集上创建新的数据集，研究人员展示了当前自然语言处理模型在医疗领域的性能稳定性有待提高，并提出了一种新的数据增强方法来改善这个问题。

Mar, 2023

通过构建新数据集和提出五个评估任务，全面评估不同方法在文本到 SQL 过程中的性能，揭示了大型语言模型之间的性能差异，并提出了针对每个任务的最佳上下文学习解决方案，为改进基于大型语言模型的文本到 SQL 系统的开发提供了有价值的见解。

Mar, 2024

该论文介绍了我们在 MEDIQA-CORR 共享任务中的方法，该任务涉及医学专业人员策划的临床笔记中的错误检测和更正。我们的工作旨在评估在包含事实和不可靠信息的海量互联网数据上训练的大型语言模型（LLM）的能力。我们建议综合处理所有子任务，并建议采用独特的基于提示的上下文学习策略。我们将评估其在结合一般推理和医学知识的专门任务中的功效。在预测错误可能导致严重后果的医学系统中，我们建议利用自洽性和集成方法来提高错误更正和错误检测性能。

May, 2024