鐵人檔案
急診檢傷不是診斷疾病，而是在有限時間內判斷病患接受處置的先後順序。本系列將使用 Kaggle 公開的韓國急診檢傷與急迫度分級量表（Korean Triage and Acuity Scale, KTAS）資料，從 1,267 筆急診紀錄出發，逐步完成資料清理、公開知識庫、檢索增強生成（Retrieval-Augmented Generation, RAG）、門控、重排序與模型評估。我們不只比較準確率，也會分析檢傷不足、檢傷過度、少數高急迫案例與結果的不確定性，打造一套可重現、可解釋且清楚標示限制的急診檢傷 Side Project。
想像一個忙碌的急診現場：候診區同時出現胸悶、發燒、腹痛與呼吸困難的病患，但能立即投入處置的人力與空間有限。 這時最先要回答的問題，不是「病患最後確診什麼疾病」，...
上一篇，我們畫出了 30 天個人實作專案（Side Project）的完整路線。今天先不談模型，也不寫程式。我們要回到所有技術設計的起點：急診為什麼需要檢傷？...
上一篇，我們先建立了急診檢傷的共同方向：第一級最急迫，第五級最不急迫；分錯級數時，還要觀察檢傷不足與檢傷過度。 不過，「都是第一級到第五級」不代表所有五級制度都...
上一篇，我們比較了台灣急診檢傷與急迫度分級量表、韓國急診檢傷與急迫度分級量表，以及急診嚴重度指數。三套制度都輸出第一級到第五級，但主訴、規則、判斷順序與版本不能...
Day 04 留下了一個很明確的問題：大型語言模型（Large Language Model, LLM）可以把文字整理得很流暢，卻不能保證規則、數值、版本與引用...
Day 05 建立了檢索增強生成（Retrieval-Augmented Generation, RAG）的共同流程：先從外部知識庫找出候選證據，再把問題與證據...
檢索增強生成（Retrieval-Augmented Generation, RAG）是一種先從外部知識庫找出候選證據，再交給大型語言模型（Large Lang...
檢索增強生成（Retrieval-Augmented Generation, RAG）是一種先從外部知識庫找出候選證據，再交給大型語言模型（Large Lang...
檢索增強生成（Retrieval-Augmented Generation, RAG）是一種先從外部知識庫找出候選證據，再交給大型語言模型（Large Lang...
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...