同樣血壓 145，為什麼有人該吃藥、有人不必？

同樣血壓 145，為什麼有人該吃藥、有人不必？

讀過入門篇後，你已經知道三高（hypertension、hyperglycemia、dyslipidemia）背後的恆定失衡與動脈粥狀硬化機制。現在來看一個臨床上每天都在發生、卻常令人困惑的場景：兩位都是血壓 145／92 mmHg 的患者，一位 38 歲、不抽菸、家族史乾淨；另一位 68 歲、糖尿病多年、曾抽菸三十年。同樣的數值，醫師對前者可能先建議三個月的生活型態調整再追蹤，對後者卻會立刻開立降壓與降脂藥物。

這不是醫師「看心情」，而是現代慢性病處置的核心邏輯已經悄悄轉移：我們治療的不再是「一個數字」，而是「一個人未來十年發生心血管事件的整體機率」。要看懂這個轉移，必須引入一套量化推理的工具——絕對風險（absolute risk）、相對風險（relative risk）、風險分層（risk stratification）、以及衡量治療值不值得的 NNT（number needed to treat）。這篇進階文章，就帶你進入臨床決策背後那層「機率與證據」的世界。

從「閾值思維」到「風險思維」

入門篇提到，血壓 140／90 mmHg 是傳統的高血壓診斷界線。閾值（threshold）思維很直覺：超過線就是病、就要治。但它隱含一個錯誤假設——彷彿 139／89 安全、141／91 危險，風險在那條線上瞬間跳升。實際上，心血管風險與血壓、血糖、膽固醇之間是連續且大致呈對數線性的關係：血壓從 115／75 開始，每升高 20／10 mmHg，心血管死亡風險約增為兩倍。風險是一條平滑上升的曲線，閾值只是我們為了方便溝通在曲線上畫的一條人為刻度。

更關鍵的是，同樣的數值對不同人意味著不同的絕對風險。所謂絕對風險，是指「某個特定個體在特定時間內（通常是 10 年）實際發生某事件的機率」。前述 38 歲年輕人血壓 145，他的 10 年心血管事件絕對風險可能只有 2–3%；68 歲、糖尿病、曾吸菸者即使同樣 145，絕對風險可能高達 25–30%。血壓只是眾多風險因子之一，年齡、性別、吸菸、糖尿病、膽固醇、家族史共同決定了那條曲線上你站的位置。

這就是為什麼當代指引（如美國 ACC/AHA、歐洲 ESC）都搭配風險計算器：例如美國的 Pooled Cohort Equations、歐洲的 SCORE2、台灣本土化的風險模型。輸入年齡、血壓、膽固醇、是否糖尿病與吸菸等變項，輸出一個百分比——這個百分比，而非單一檢驗值，才是決定「要不要用藥、用多猛」的真正依據。

相對風險 vs 絕對風險：最容易被誤導的數字

媒體最愛報導「某藥物降低心臟病風險 30%」「常吃某食物罹癌風險增加 50%」。這些聳動的百分比，幾乎都是相對風險（relative risk reduction / increase），而它常常嚴重誤導。

關鍵在於分清兩件事：

• 相對風險降低（RRR）：治療組事件率相對於對照組下降的「比例」。
• 絕對風險降低（ARR）：治療組與對照組事件率的「差值」（百分點）。

舉個具體例子。假設一種降脂藥讓 10 年心臟病風險「相對下降 30%」。如果某患者本來的絕對風險是 30%，吃藥後降到 21%——絕對下降了 9 個百分點，這是極大的獲益。但如果另一位本來絕對風險只有 2%，同樣「相對下降 30%」只是把風險從 2% 降到 1.4%——絕對只降了 0.6 個百分點。同一個「30%」，在高風險者身上是救命，在低風險者身上幾乎沒差別。

這正是「治療高風險者效益遠大於低風險者」的數學根源，也是為什麼回到開頭：同樣血壓 145，高風險的長者吃藥划算，低風險的年輕人未必。相對風險隱藏了「基準風險（baseline risk）」這個關鍵分母；只有絕對風險，才告訴你介入「真正能改變多少」。

看一個例子：用 NNT 衡量一個治療值不值得

把上述邏輯量化成一個極實用的指標：NNT（number needed to treat，需治療人數）。它的定義很簡單：

NNT = 1 ÷ 絕對風險降低（ARR，以小數表示）

意思是：為了避免「一個」不良事件發生，需要治療多少人、多少年。NNT 越小，治療效益越高。

延續上面的例子：

• 高風險患者：ARR = 30% − 21% = 9% = 0.09，NNT = 1 ÷ 0.09 ≈ 11。意思是治療 11 位這樣的高風險患者 10 年，可避免 1 次心血管事件。非常值得。
• 低風險患者：ARR = 2% − 1.4% = 0.6% = 0.006，NNT = 1 ÷ 0.006 ≈ 167。要治療 167 位這樣的低風險者 10 年，才能避免 1 次事件。其餘 166 人吃了藥卻不會因此獲益，還要承擔藥物副作用與成本。

NNT 把抽象的機率翻譯成「治療多少人換一個好結果」的具體語言，讓醫病雙方能在「獲益」與「負擔（副作用、費用、長期服藥的心理成本）」之間做更誠實的權衡。對應地還有 NNH（number needed to harm，需傷害人數）：平均治療多少人會造成一次藥物相關傷害。一個治療是否「划算」，本質上是 NNT 與 NNH 的拉鋸——這也是實證醫學（evidence-based medicine）做臨床決策時的核心算式。

篩檢的兩難：為什麼「早期發現」不總是好事

入門篇強調健檢紅字是「提早發出的訊號」。這在三高等慢性病確實成立——早期介入效益最好。但把「早期發現一定有益」推廣到所有疾病（尤其癌症篩檢），就會落入幾個統計學陷阱，這是進階學習者必須警覺的。

前導時間偏差（lead-time bias）：篩檢讓疾病「更早被診斷」，但若無法改變疾病進程，患者只是「更早知道自己生病」，從診斷到死亡的時間看似變長，實際存活並未延長。存活期統計被人為拉長，造成「篩檢有效」的錯覺。

病程長度偏差（length-time bias）：進展緩慢、惰性的腫瘤停留在「可被篩檢偵測」的視窗更久，因此更容易在篩檢時被抓到；而惡性、快速進展的腫瘤常在兩次篩檢之間就發病。結果篩檢偏向揪出「本來預後就好」的病灶，再次高估篩檢的好處。

過度診斷（overdiagnosis）：篩檢可能找到一些「終其一生都不會造成症狀或死亡」的病變（例如某些低惡性度的早期癌、或進展極慢的結節）。發現它們不僅無益，反而帶來不必要的手術、放療、焦慮與標籤化——這正是「健康人被製造成病人」的反面風險。

理解這些偏差，才能解釋一個違反直覺卻被反覆驗證的事實：不是每一項篩檢都應該對每個人做。一項好的篩檢必須同時滿足——疾病有可偵測的早期階段、早期治療確實改變預後、篩檢工具夠準（高敏感度與特異度）、且整體效益大於過度診斷的傷害。這也是為什麼篩檢指引會依年齡、風險族群劃定範圍，而非「人人都驗、越多越好」。

敏感度、特異度與「陽性不一定有病」

既然談篩檢，就必須理解檢驗本身的不確定性。任何檢驗都不是完美的真／假判官，而要用兩個指標描述其表現：

• 敏感度（sensitivity）：真正有病的人中，被檢驗正確判為陽性的比例（抓得到病人的能力）。
• 特異度（specificity）：真正沒病的人中，被正確判為陰性的比例（排除健康人的能力）。

實務上最容易被誤解的是陽性預測值（positive predictive value, PPV）——「檢驗陽性的人，真的有病的機率」。它不只取決於敏感度與特異度，還強烈受到該疾病在受檢族群中盛行率（prevalence）的影響。

舉例：某檢驗敏感度 99%、特異度 99%，聽起來幾乎完美。但若拿去篩一個盛行率僅 0.1%（每千人 1 人患病）的罕見病：每 10 萬人中有 100 人真患病（99 人驗出陽性），另有 99,900 健康人中約 1% 即 999 人被誤判為陽性。於是陽性者共 99＋999 ≈ 1098 人，其中真正有病的只有 99 人——PPV 僅約 9%。換言之，在低盛行率族群中，即使是高準確度的檢驗，陽性結果有九成是假警報。這就是為什麼篩檢要鎖定高風險（高盛行率）族群，也是為什麼陽性結果常需要更精準的「確診檢查」二次驗證。這套推理背後其實是貝氏定理（Bayes' theorem）：檢驗結果更新的是「事前機率」，而事前機率由盛行率決定。

重點回顧

• 從閾值到風險：心血管風險與血壓、血糖、膽固醇呈連續曲線，閾值只是人為刻度；現代決策看的是個體 10 年絕對風險，而非單一數值。
• 相對 vs 絕對風險：媒體常報的「降低 30%」是相對風險，會隱藏基準風險；只有絕對風險降低（ARR）才反映介入真正改變了多少。
• NNT 是實用的決策尺：NNT = 1 ÷ ARR，把機率翻譯成「治療幾人換一個好結果」；高風險者 NNT 小（值得），低風險者 NNT 大（效益有限），需與 NNH 權衡。
• 早期發現有陷阱：前導時間偏差、病程長度偏差與過度診斷，會系統性高估篩檢效益；好的篩檢需嚴格條件，並非人人皆驗越多越好。
• 陽性不等於有病：陽性預測值取決於盛行率，低盛行率族群中即使高準確度檢驗也會產生大量假陽性，這是貝氏推理的必然。

深入探討（研究所視角）

對想更進一步的讀者，這套「機率化的臨床決策」正是當代實證醫學與臨床流行病學最活躍的交會處。

第一個方向是風險預測模型的開發與驗證。傳統 Cox 比例風險模型（Cox proportional hazards model）與 logistic 迴歸仍是骨幹，但機器學習方法（梯度提升樹、深度學習）正被用於整合更高維度的變項。然而，模型的「鑑別力（discrimination，以 C-statistic / AUC 衡量）」與「校準度（calibration，預測機率與實際發生率是否相符）」必須分開評估——一個 AUC 很高卻校準不良的模型，會系統性高估或低估某族群的風險，反而誤導決策。如何把模型從衍生世代（derivation cohort）外推到不同族群（external validation），以及如何避免演算法放大既有的健康不平等，是當前熱議的議題。

第二個方向是競爭風險（competing risks）與個體化治療效應。一位 85 歲長者「10 年心血管風險」的意義，與一位 45 歲者截然不同，因為前者可能因其他原因先離世——這正是競爭風險分析（如 Fine-Gray 模型）要處理的問題。更前沿的是「異質性治療效應（heterogeneous treatment effects, HTE）」研究：同一個藥對不同次族群的效益可能差異極大，傳統 RCT 報告的「平均治療效應」可能掩蓋了「有些人大幅獲益、有些人毫無好處甚至受害」的真相。因果推論（causal inference）方法與目標試驗模擬（target trial emulation）正試圖從觀察性大數據中逼近這些個體化答案。

第三個方向呼應本平台 Educational Omics 的精神：多模態資料下的「軌跡」而非「快照」。單次健檢是一張快照，但疾病是一條軌跡。透過縱貫追蹤血壓、血糖、發炎指標、甚至穿戴裝置的連續生理訊號（如 HRV、睡眠），研究者試圖捕捉個體偏離恆定的「動態過程」，在風險真正升高前就辨識出來。這與教育研究從「期末成績」走向「學習歷程分析」的轉向如出一轍——醫學與教育都在學習如何閱讀「時間中的人」，而非只看某一刻的截面。

對研究所階段的學習者而言，最重要的素養或許是：能讀懂一篇臨床試驗，分清它報告的是相對還是絕對風險、NNT 多少、外推到你的病人是否成立。掌握生理機制是地基，而能用機率與證據的語言審視每一個治療宣稱，才是把醫學從「權威說了算」推向「可被檢驗的科學」的關鍵能力。

（本文僅為醫學知識與統計推理的教育說明，所有數值均為示意性舉例，不構成個人醫療建議。任何檢驗判讀、用藥與篩檢決策，請與您的醫師討論。）