上一篇，我們把研究問題寫成可以失敗的假設。下一步不是立刻訓練模型，而是確認手上的資料，是否真的能回答那些問題。

這次還有一個很明確的限制：病患資料必須能從公開頁面取得，不簽署醫療資料使用協議，也不把需要額外認證的資料當作主要實驗來源。

在這個條件下，本系列正式選定 Kaggle 的 Emergency Service - Triage Application作為唯一病患資料。它包含 1,267 筆韓國急診紀錄，也同時提供護理師原始級數與專家重新判定級數。

這個決定讓取得與重現流程更單純，但也帶來兩項代價：資料量小，而且資料檔沒有附上一套可直接重建的完整官方 KTAS 手冊。後續所有文章都必須在這條邊界內設計實驗。

下圖用一張沒有精確文字與數字的概念工作台表達今天的任務。重點不是從最多的資料中選一份，而是逐一檢查取得方式、欄位、標籤、規則與結論範圍。

上圖用概念工作台提醒我們：公開、可下載與適合實驗是三件不同的事，資料仍要逐項通過後續檢查。

今天要完成什麼

讀完 Day 10 後，你應該能夠：

1. 說明本系列為什麼只使用 Kaggle KTAS 病患資料。
2. 分辨「資料可以下載」與「資料適合模型輸入」是兩件事。
3. 說明 KTAS_expert 和 KTAS_RN 的不同角色。
4. 理解完整官方規則不足時，RAG 的結論為什麼必須縮小。
5. 說出單一小型資料集不能支持哪些主張。

本篇會用到的名詞

先把「公開」翻成可以執行的條件

「公開資料」常被當成單一狀態，實際上至少可能包含：

• 可以直接從公開頁面取得。
• 免費，但需要帳號驗證或完成課程。
• 可以提出研究申請，但需要簽署 DUA。
• 文章公開，逐筆病患資料仍須向作者或醫院申請。

本系列採用最直接的操作邊界：病患資料不需要簽署醫療資料 DUA。Kaggle 平台本身是否要求登入，屬於平台下載流程；它不會改變本系列不使用受控病患資料的決定。

這個限制不是在判斷哪一套檢傷制度比較好，而是在決定讀者能否跟著文章取得同一份病患資料。

選定的 Kaggle KTAS 資料是什麼

本系列固定使用的資料頁是：

Emergency Service - Triage Application

Kaggle 頁面將資料來源連回 Moon 等人在 2019 年發表的 KTAS 檢傷準確性研究。來源研究回顧韓國兩所都市教學醫院的成人急診紀錄，研究期間為 2016 年 10 月到 2017 年 9 月，最後納入 1,267 筆紀錄。來源研究

本系列在 2026 年 8 月 2 日核對到的 Kaggle 壓縮檔中，只有一個 data.csv：

壓縮檔與 CSV 的安全雜湊演算法 256 位元版本（Secure Hash Algorithm 256-bit, SHA-256）如下：

ZIP  f78df0a06c31b6df873c410b0596ecb95ac9335485beaf890dcabf7c69560f26
CSV  0e2c088e358fd4cdfd0dcc2fd4c2f085aa303856e3a6df8ceb44a69cef8ed2de

SHA-256 會把檔案內容轉成固定長度的字串。檔案只要改動一個位元，雜湊通常就會改變，因此能協助我們確認讀者與實驗使用的是不是同一版本。

能下載，不代表可以把 24 欄全部交給模型

資料選定後，還要完成四項對齊：

1. 病患輸入是不是檢傷當下已知。
2. 參考標籤來自誰、扮演什麼角色。
3. RAG 使用的知識是否屬於 KTAS 且可以追溯。
4. 結論是否限制在資料真正能支持的範圍。

下圖將四項條件放在同一個畫面。中央不是一個可以自動解決所有問題的資料集，而是提醒我們：四個角落都要有明確答案。

上圖顯示，取得方式只解決「能不能拿到資料」。它沒有自動回答欄位時點、標籤品質、知識完整度與外部效度。

為什麼 KTAS_expert 是主要標籤

資料中有兩個五級欄位：

• KTAS_RN：註冊護理師（Registered Nurse, RN）在實際急診流程中登錄的 KTAS 級數。
• KTAS_expert：研究中的三位 KTAS 專家依初始護理紀錄重新判定的級數。

本系列把 KTAS_expert 設為主要參考標籤，把 KTAS_RN 留作人類現場參考。這不表示專家級數毫無誤差。專家是回顧病歷，不是重新在現場檢查病患；病歷中沒有記錄的症狀，也不會憑空出現在專家判斷裡。

兩個欄位都不能成為模型輸入。若模型看到 KTAS_RN，它可能只是在模仿護理師級數；若看到 KTAS_expert，就等於直接看到評分答案。

選擇這份資料同時接受哪些代價

資料選擇不是只有優點。下圖將四個選擇條件、資料現況及其直接影響放在一起。

上圖不是模型效能排名，而是資料選擇的限制清單。下面逐項說明每個限制會如何影響實驗設計與結論範圍。

代價一：資料量不大

1,267 筆資料適合做完整教學與受控實驗，但不足以支撐過度複雜的訓練。尤其專家第一級只有 26 筆，單次切分可能讓測試集中只剩極少數第一級案例。

因此，主要結果規劃使用固定種子的重複分層五折交叉驗證。分層表示每一折盡量維持五個級數的比例；重複表示不只依賴一次 folds。所有方法必須使用相同 folds，才能逐筆配對比較。

代價二：沒有病患識別碼

資料沒有能確認病患身分的識別欄位，因此不能保證同一病患的重複就醫不會落在不同 folds。

後續可以誠實報告以「紀錄」為單位的交叉驗證，但不能寫成病患層級切分，也不能忽略可能存在的列間相依性。

代價三：Kaggle CSV 不是完整規則手冊

檢索增強生成需要可檢索的外部知識。Kaggle CSV 提供病患欄位與標籤，但沒有附上完整的 KTAS 官方規則庫。

後續知識庫只會放入公開可引用、來源可追溯的 KTAS 說明，並把完整度標為 partial。因此我們可以研究「公開 KTAS 知識檢索是否有幫助」，不能宣稱「完整重建官方 KTAS 演算法」。

代價四：沒有外部驗證資料

重複交叉驗證仍使用同一批紀錄。它能檢查結果是否依賴單次切分，不能證明模型到了另一家醫院、另一個年份或另一個國家仍然有效。

一份 CSV 要拆成四種角色

下圖把 24 個欄位依用途分流。閱讀時先看左邊的原始檔，再沿四條箭頭查看每一組欄位可以去哪裡。

上圖先按照資料在實驗中的角色分流，而不是只看欄位是否存在。四種角色如下：

1. 模型候選輸入：主訴、生命徵象、疼痛、意識、人口與到院資訊，共 14 欄。
2. 稽核與分層：急診場域與每小時到院人數，共 2 欄，預設不交給模型。
3. 標籤與人類參考：KTAS_expert 與 KTAS_RN，共 2 欄。
4. 禁止輸入與衍生評估：診斷、去向、兩種時間、Error_group 與 mistriage，共 6 欄。

第四組中有些欄位很可能和級數高度相關，但相關不等於可使用。急診診斷與住院去向是在檢傷後才形成；mistriage 更是比較兩個級數後產生。把它們放進模型，只會製造無法在檢傷當下重現的高分。

把資料決定寫進設定檔

本篇的機器可讀決策保存在：

configs/data/day-10-dataset-roles.json

設定檔記錄 Kaggle slug、資料來源、檔案雜湊、主要標籤、排除選項、可允許主張與禁止主張。

步驟一：確認檔案存在

• 目的：確認資料選擇不是只留在文章文字。
• 前置條件：終端機位於專案根目錄。
• 輸入：Day 10 的 JSON 設定檔。
• 操作：執行下列指令。

test -f configs/data/day-10-dataset-roles.json

• 預期輸出：指令正常結束，不會印出文字。
• 驗證方式：接著執行 ls -l configs/data/day-10-dataset-roles.json，應看見檔案資訊。

步驟二：驗證 JSON 語法

• 目的：排除括號、逗號或引號錯誤。
• 前置條件：系統可以執行 Python 3。
• 輸入：同一份 JSON。
• 操作：執行：

python3 -m json.tool configs/data/day-10-dataset-roles.json > /dev/null

• 預期輸出：指令正常結束且沒有錯誤訊息。
• 驗證方式：若出現行號，依錯誤位置修正 JSON，不能讓後續程式自行忽略設定。

步驟三：確認唯一資料集與標籤

• 目的：防止後續文章又把其他制度或受控資料加入主要實驗。
• 前置條件：JSON 語法已通過。
• 輸入：dataset.id、reference_label 與 human_reference。
• 操作：執行以下唯讀檢查。

python3 - <<'PY'
import json
from pathlib import Path

config = json.loads(
    Path("configs/data/day-10-dataset-roles.json").read_text(encoding="utf-8")
)

assert config["dataset"]["id"] == "kaggle_ktas_emergency_service_triage"
assert config["dataset"]["reference_label"] == "KTAS_expert"
assert config["dataset"]["human_reference"] == "KTAS_RN"
print("通過：唯一病患資料為 Kaggle KTAS，標籤角色一致")
PY

• 預期輸出：看到「通過：唯一病患資料為 Kaggle KTAS，標籤角色一致」。
• 驗證方式：若任何斷言失敗，先停止後續實驗並檢查設定，不要只修改文章表面文字。

這份資料可以與不能支持什麼

可以支持的問題包括：

• 模型與 KTAS_expert 的五級差異。
• 模型與 KTAS_RN 的錯誤方向比較。
• 不同資料表示、檢索、知識結構、門控與重排序的相對效果。
• 第一、二級召回率、檢傷不足、檢傷過度與跨級距離。
• 結果對 folds、缺失值策略與主訴正規化是否敏感。

不能支持的主張包括：

• KTAS 結果等於台灣急診檢傷結果。
• 交叉驗證等於外部醫院驗證。
• 公開摘要知識等於完整官方 KTAS 規則。
• 離線分類結果足以證明可以臨床部署。
• 模型高於某個人工參考分數，就代表模型優於臨床專業人員。

常見錯誤

把 Kaggle 頁面當成完整資料字典

Kaggle 說明能協助理解代碼，但仍要實際檢查分隔符、文字編碼、欄位名稱、缺失代碼與數值格式。Day 11 會逐欄完成這項工作。

把 KTAS_RN 當模型特徵

這會讓模型看到護理師已完成的級數，無法回答主訴與生命徵象本身是否足夠。KTAS_RN 必須和模型輸入分開保存。

把專家標籤稱為絕對真值

本系列可以稱它為專家重新判定或主要參考標籤。專家仍受病歷完整度與回顧設計限制。

用更多 folds 假裝增加資料

交叉驗證只是在不同輪次重用 1,267 筆紀錄，不會產生新的醫院或病患。報告時要區分「估計較穩定」與「外部效度提高」。

本日小結

今天完成的是資料選擇契約，不是模型實驗：

1. 本系列唯一病患資料是 Kaggle 的 1,267 筆 KTAS 公開紀錄。
2. 不使用需要簽署醫療資料 DUA 的病患資料。
3. KTAS_expert 是主要參考標籤，KTAS_RN 只作人類現場參考。
4. 14 個檢傷當下欄位是候選輸入；標籤、診斷、去向、時間與衍生錯誤欄位不得輸入模型。
5. 主要評估採重複分層交叉驗證，並誠實保留沒有病患識別碼的限制。
6. RAG 只使用公開可追溯的部分 KTAS 知識，不宣稱重建完整官方演算法。
7. 所有結論都限制在這份資料的離線實驗範圍。

下一篇預告

Day 11 會真正打開 data.csv，依序處理：

• 為什麼它要用分號而不是逗號切欄。
• 為什麼必須以 cp1254 讀取。
• ??、#BOŞ! 與空字串如何統一成缺失值。
• 24 個欄位如何拆成模型輸入、稽核、標籤與禁止輸入。
• 如何用 SHA-256、欄位白名單與黑名單驗證處理結果。

Day 10 的資料選擇，會成為 Day 11 每一個資料清理步驟的前提。

參考資料

1. Kaggle. Emergency Service - Triage Application.
2. Moon, S.-H., Shim, J. L., Park, K.-S., & Park, C.-S. (2019). Triage accuracy and causes of mistriage using the Korean Triage and Acuity Scale. PLOS ONE, 14(9), e0216972.
3. Korean Triage and Acuity Scale. KTAS 官方介紹.