論文の概要: Overview of the EHRSQL 2024 Shared Task on Reliable Text-to-SQL Modeling on Electronic Health Records

• arxiv url: http://arxiv.org/abs/2405.06673v2
• Date: Thu, 23 May 2024 17:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-25 05:01:27.319549
• Title: Overview of the EHRSQL 2024 Shared Task on Reliable Text-to-SQL Modeling on Electronic Health Records
• Title（参考訳）: EHRSQL 2024の電子健康記録における信頼性テキスト-SQLモデリングに関する共有課題の概要
• Authors: Gyubok Lee, Sunjun Kweon, Seongsu Bae, Edward Choi,
• Abstract要約: 1つの戦略は質問応答システムを構築することであり、おそらくはテキスト・ツー・リレーショナル・モデルを活用することである。 EHR 2024共有タスクは、EHRのための質問応答システムの開発における研究の推進と促進を目的としている。 共有タスクに応募した100人以上の参加者のうち、8チームが編成され、共有タスク要求全体を完成させた。
• 参考スコア（独自算出の注目度）: 12.692089512684955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic Health Records (EHRs) are relational databases that store the entire medical histories of patients within hospitals. They record numerous aspects of patients' medical care, from hospital admission and diagnosis to treatment and discharge. While EHRs are vital sources of clinical data, exploring them beyond a predefined set of queries requires skills in query languages like SQL. To make information retrieval more accessible, one strategy is to build a question-answering system, possibly leveraging text-to-SQL models that can automatically translate natural language questions into corresponding SQL queries and use these queries to retrieve the answers. The EHRSQL 2024 shared task aims to advance and promote research in developing a question-answering system for EHRs using text-to-SQL modeling, capable of reliably providing requested answers to various healthcare professionals to improve their clinical work processes and satisfy their needs. Among more than 100 participants who applied to the shared task, eight teams were formed and completed the entire shared task requirement and demonstrated a wide range of methods to effectively solve this task. In this paper, we describe the task of reliable text-to-SQL modeling, the dataset, and the methods and results of the participants. We hope this shared task will spur further research and insights into developing reliable question-answering systems for EHRs.
• Abstract（参考訳）: エレクトロニック・ヘルス・レコーズ(Electronic Health Records、EHR)は、病院内の患者の医療履歴全体を格納するリレーショナルデータベースである。 入院や診断から治療や退院まで、患者の医療のさまざまな側面を記録している。 EHRは臨床データの重要なソースである一方で、事前に定義されたクエリのセットを越えてそれらを探索するには、SQLのようなクエリ言語でスキルが必要です。 情報検索をよりアクセスしやすいものにするために、自然言語の質問を対応するSQLクエリに自動的に翻訳し、これらのクエリを使用して回答を検索するテキストからSQLモデルを活用する、質問応答システムを構築する方法がある。 EHRSQL 2024共有タスクは、様々な医療従事者に要求された回答を確実に提供し、臨床作業プロセスを改善し、彼らのニーズを満たすことができるテキスト・ツー・SQL・モデリングを用いて、EHRのための質問応答システムの開発において、研究を進めることを目的としている。 共有タスクに応募した100人以上の参加者のうち、8つのチームが構成され、共有タスク要求全体を完成させ、このタスクを効果的に解決するための幅広い方法を示しました。 本稿では,テキスト・トゥ・SQLモデリングの課題,データセット,参加者の手法と結果について述べる。 この共有タスクが、EHRのための信頼性の高い質問応答システムの開発に関するさらなる研究と洞察を刺激することを期待します。

関連論文リスト

• A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
  医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。 本稿では,MVLMの概要と適用した各種医療課題について概観する。 また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-11-19T03:27:05Z)
• Text2SQL is Not Enough: Unifying AI and Databases with TAG [47.45480855418987]
  Table-Augmented Generation (TAG) は、データベース上の自然言語の質問に答えるパラダイムである。 我々は、TAG問題を研究するためのベンチマークを開発し、標準手法がクエリの20%以上を正しく答えることを発見した。
  論文  参考訳（メタデータ） (2024-08-27T00:50:14Z)
• TACT: Advancing Complex Aggregative Reasoning with Information Extraction Tools [51.576974932743596]
  大規模言語モデル(LLM)は、テキスト間の情報の集約を必要とするクエリではよく機能しないことが多い。 TACTには、1つ以上のテキストに散らばる縫合情報を要求する難しい命令が含まれている。 既存のテキストと関連するテーブルのデータセットを活用することで、このデータセットを構築します。 現代のLLMはいずれも,このデータセットでは性能が悪く,精度が38%以下であることが実証された。
  論文  参考訳（メタデータ） (2024-06-05T20:32:56Z)
• KU-DMIS at EHRSQL 2024:Generating SQL query via question templatization in EHR [17.998140363824174]
  本稿では、ドメイン外質問とクエリ実行で生成されたクエリを堅牢に処理する新しいテキスト・ツー・ドメインフレームワークを提案する。 我々は,強力な大規模言語モデル (LLM) と細調整のGPT-3.5を用いて,EHRデータベースシステムのテーブルスキーマを含む詳細なプロンプトを出力する。
  論文  参考訳（メタデータ） (2024-05-22T02:15:57Z)
• LG AI Research & KAIST at EHRSQL 2024: Self-Training Large Language Models with Pseudo-Labeled Unanswerable Questions for a Reliable Text-to-SQL System on EHRs [58.59113843970975]
  テキストから回答へのモデルは、Electronic Health Recordsを知識のない医療専門家に利用できるようにする上で重要なものだ。 疑似ラベル付き非解答質問を用いた自己学習戦略を提案し,EHRのテキスト・ツー・アンサーモデルの信頼性を高める。
  論文  参考訳（メタデータ） (2024-05-18T03:25:44Z)
• Retrieval augmented text-to-SQL generation for epidemiological question answering using electronic health records [0.6138671548064356]
  本稿では,テキスト・ツー・ジェネレーションと検索拡張生成(RAG)を組み合わせて疫学的な疑問に答えるエンド・ツー・エンド手法を提案する。 RAGは、現実的な業界環境で示すように、彼らの能力を改善するための有望な方向性を提供します。
  論文  参考訳（メタデータ） (2024-03-14T09:45:05Z)
• Towards Understanding the Generalization of Medical Text-to-SQL Models and Datasets [46.12592636378064]
  医療分野におけるテキスト・ツー・ジェネレーションの解決にはまだまだ長い道のりがある。 精度は92%から28%に低下し,性能が大幅に低下した現状の言語モデルを評価した。 本稿では,関係言語モデルの一般化性を改善するために,新たなデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-03-22T20:26:30Z)
• EHRSQL: A Practical Text-to-SQL Benchmark for Electronic Health Records [36.213730355895805]
  発声は、医師、看護師、保険審査・健康記録チームを含む222人の病院職員から集められた。 我々はこれらの質問を、MIMIC-IIIとeICUの2つのオープンソースのEHRデータベースに手動でリンクし、データセットに様々な時間表現と解決不可能な質問を格納した。
  論文  参考訳（メタデータ） (2023-01-16T05:10:20Z)
• Question Answering for Complex Electronic Health Records Database using Unified Encoder-Decoder Architecture [8.656936724622145]
  自然言語質問をSPARQLなどのクエリに変換するEHR-QAのための統一デコーダアーキテクチャUniQAを設計する。 また、複雑な医療用語や様々なタイプミスに対処し、SPARQL構文をよりよく学習するための、シンプルで効果的な入力マスキング(IM)を提案する。 UniQAは、EHRドメインで最も複雑なNLQ2データセットであるMIMIC*(14.2%ゲイン)と、そのタイプミスドバージョンに対して、大幅なパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2021-11-14T05:01:38Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。