如果把全台灣的菸全部戒掉，到底能少死多少人？——一個比「相對風險」更難回答的問題

如果把全台灣的菸全部戒掉，到底能少死多少人？——一個比「相對風險」更難回答的問題

入門篇你已經學會用相對危險（relative risk, RR）與歸因危險度（attributable risk, AR）描述「吸菸者個人」承擔多少額外風險。但公共衛生決策者真正想知道的，往往是另一個尺度更大的問題：「如果整個族群都不再暴露於某危險因子，整體疾病負擔會下降幾成？」 這不是把個人的 RR 直接乘起來就能回答的——因為一個族群裡，暴露的人只佔一部分，而政策的效益取決於「風險有多強」與「暴露有多普遍」這兩件事的相乘。

更棘手的是，當我們從「移除危險因子」轉向「靠篩檢早期發現」這條次段預防路線時，數字會變得詭異到反直覺：有些篩檢明明讓病人「活得更久」，卻可能一條命也沒救到。這篇進階篇不重述自然史與三段五級預防，而是直接走進慢性病預防真正吃功夫的量化核心——族群歸因分數（population attributable fraction）、篩檢的三大偏誤、過度診斷（overdiagnosis），以及風險預測模型如何把「預防」變成一門需要校準的精算學。

族群歸因分數：把「個人風險」翻譯成「族群可預防比例」

入門篇的 AR 處理的是「暴露者個人」的可歸因風險。但站在衛生部長的位置，他要問的是整個社會：在所有肺癌病例中，有多少比例「可歸因於吸菸」、因而理論上可隨吸菸消失而消失？這個量叫族群歸因分數（population attributable fraction, PAF），又稱族群可歸因危險度百分比。

PAF 最直覺的公式長這樣（Levin 公式）：

$$\text{PAF} = \frac{P_e (RR - 1)}{1 + P_e (RR - 1)}$$

其中 $P_e$ 是族群中暴露的盛行率，$RR$ 是該暴露的相對危險。這條式子的靈魂在於：PAF 同時被「風險強度（RR）」與「暴露普及度（$P_e$）」拉扯。 一個 RR 高得嚇人的危險因子，若全族群只有極少數人暴露，PAF 仍然很小；反之一個 RR 只是中等、卻人人都碰的因子，PAF 可以大得驚人。這正是入門篇「全人口策略 vs. 高危險群策略」張力的數學版本。

看一個例子：兩個危險因子，誰更值得管？

假設某縣市要在兩個介入方案之間擇一投入有限預算，流行病學資料如下：

代入 Levin 公式：

• 職業致癌物：$\dfrac{0.01 \times (20-1)}{1 + 0.01 \times 19} = \dfrac{0.19}{1.19} \approx 0.16$，即 PAF ≈ 16%。
• 身體活動不足：$\dfrac{0.5 \times (1.4-1)}{1 + 0.5 \times 0.4} = \dfrac{0.20}{1.20} \approx 0.17$，即 PAF ≈ 17%。

結論耐人尋味：那個「RR 高達 20」的恐怖致癌物，對整體族群可預防的疾病比例（16%），竟和「RR 只有 1.4」的久坐不動（17%）差不多。差別全在暴露盛行率——前者只困擾 1% 的人，後者卻拖累一半人口。這就是為什麼公共衛生常把資源押在那些「看起來不嚴重、卻無所不在」的危險因子上。

不過 PAF 有兩個學生必須警惕的陷阱。第一，多個危險因子的 PAF 不能直接相加——因為同一個病例可能同時可歸因於多個因子（吸菸又肥胖的大腸癌病人），各因子的 PAF 加總常超過 100%，這不是算錯，而是「可歸因」本身允許重疊。第二，Levin 公式預設 RR 沒有受到干擾因子污染；若 RR 本身是被低估或高估的觀察值，PAF 會跟著偏掉。當代做法會改用「調整後 PAF」並交代清楚反事實情境（「如果暴露降到某個理論最低水準」而非「歸零」）。

次段預防的暗面：為什麼「早期發現」不一定等於「救命」

入門篇把篩檢（screening）列為次段預防的利器——血壓量測、乳房攝影、糞便潛血、低劑量電腦斷層（low-dose CT）篩肺癌……直覺上，越早抓到越好。但流行病學最反直覺、也最重要的教訓之一是：篩檢能讓統計數字「變好看」，卻未必真的延長壽命或減少死亡。 這背後有三大系統性偏誤。

一、前導時間偏誤（lead-time bias）。 假設一個人本來會在 60 歲因症狀就醫確診、65 歲過世，存活 5 年。現在篩檢讓他提前在 55 歲被診斷，但若治療其實無法改變病程，他仍在 65 歲過世——表面上「存活 10 年」，比沒篩檢的 5 年「翻倍」了。可是他一天也沒多活，只是提早知道自己生病、多當了 5 年病人。存活時間被「前移的診斷時點」灌水，這就是前導時間偏誤。它告訴我們：評估篩檢成效不能看「確診後存活期」，必須看族群死亡率這個不受診斷時點影響的硬指標。

二、病程長度偏誤（length-time bias）。 定期篩檢就像在河裡撒網——進展緩慢、停留在臨床前期較久的腫瘤，比起惡性、快速進展的腫瘤，更容易在某次篩檢的網目中被撈到。惡性腫瘤可能在兩次篩檢之間就爆發成有症狀的疾病，反而漏網。結果是篩檢揪出來的，系統性地偏向「本來就比較溫和、預後比較好」的病灶，讓篩檢看似讓病人活得更久——但這部分是「抽樣偏差」而非療效。

三、過度診斷（overdiagnosis）——病程長度偏誤的極端。 當「進展極慢」推到極致，就出現一種診斷上的悖論：篩檢揪出了一輩子都不會造成症狀、也不會致死的病灶。病人若不篩檢，會帶著它無事終老（多半死於其他原因）；一旦篩檢發現，就背上癌症診斷、接受手術、放療、化療，承擔治療副作用——卻得不到任何延命好處。過度診斷是「真陽性」（病灶確實存在），卻是「無益甚至有害」的發現，它和偽陽性（false positive）是兩回事，也更難察覺。甲狀腺癌、攝護腺癌（PSA 篩檢）與部分早期乳癌、肺結節，都是過度診斷的常見戰場。

這三者合起來解釋了一個讓初學者震驚的現象：一項篩檢可以同時提高「五年存活率」、增加「早期癌症發現數」，卻對「族群死亡率」毫無貢獻。 因此判斷篩檢值不值得做，黃金標準仍是隨機對照試驗（RCT）以「特定疾病死亡率」甚至「總死亡率」為終點，而非任何形式的存活率或發現率。

篩檢的決策算式：靈敏度、特異度，與被盛行率玩弄的陽性預測值

就算一項篩檢真能降低死亡率，它仍要面對一道冷酷的數學。任何篩檢工具都有兩個固有特性：

• 靈敏度（sensitivity）：真正有病的人中，被檢出陽性的比例（抓得到病人）。
• 特異度（specificity）：真正沒病的人中，被正確判為陰性的比例（不誤傷健康人）。

但臨床現場與民眾最關心的，其實是另一個量：「我檢出陽性，到底有多大機率真的生病？」 這叫陽性預測值（positive predictive value, PPV）。而 PPV 的致命之處在於——它不只取決於工具好不好，更被疾病的盛行率（prevalence）狠狠左右。

動手試試：同一台機器，為什麼在篩檢時「失準」

假設一項篩檢靈敏度 99%、特異度 95%，聽起來相當優秀。我們用它去篩一個盛行率只有 0.5%（每 1000 人有 5 人真的有病）的族群，拿 10 萬人來算：

• 真有病者：100,000 × 0.5% = 500 人。其中檢出陽性（真陽性）= 500 × 99% = 495 人。
• 無病者：99,500 人。其中被誤判陽性（偽陽性）= 99,500 × 5% = 4,975 人。
• 所有陽性 = 495 + 4,975 = 5,470 人。
• PPV = 495 ÷ 5,470 ≈ 9.0%。

讀到這裡你應該愣住：一台靈敏度 99%、特異度 95% 的「好機器」，在低盛行率族群裡篩出陽性，竟然只有 9% 真的有病，另外 91% 是虛驚一場的偽陽性。原因是健康人實在太多了，即使只有 5% 被誤判，絕對數量（4,975）也遠遠淹沒了真正的病人（495）。

這個現象（基率謬誤，base rate fallacy 的醫學版本）對慢性病次段預防有深遠意涵：在盛行率很低的一般族群「全面普篩」，往往製造海量偽陽性，帶來後續確認檢查的成本、侵入性切片的風險與當事人的焦慮。這正是為什麼許多篩檢指引強調「鎖定高危險群」——把篩檢用在盛行率較高的次族群（如針對重度吸菸史者做肺癌 LDCT），能大幅拉高 PPV，讓每一個陽性結果更有意義。盛行率，是把「全人口策略」與「高危險群策略」分開的隱形槓桿。

需要篩檢多少人才救一命？NNS 與預防的「規模感」

在治療研究中，我們用益一需治數（number needed to treat, NNT）——「平均要治療多少人，才能避免一個不良結局」——來表達療效的實際規模。NNT 是絕對風險下降（absolute risk reduction, ARR）的倒數：$NNT = 1 / ARR$。預防領域有對應的概念：需篩檢人數（number needed to screen, NNS），意指「平均要篩檢多少人，才能避免一例該病死亡」。

NNS 之所以重要，是因為它把抽象的「相對風險下降」翻譯成決策者與民眾都能感受的規模。舉例，若某癌症篩檢在十年追蹤中把該癌死亡率從每千人 7 例降到 5 例，ARR = 2/1000 = 0.002，NNS ≈ 500——意思是要篩 500 人十年，才換回一條命。這個數字本身不分好壞，重點是它讓我們能和代價放在同一個天平上比較：這 500 人裡，有多少人經歷偽陽性、多少人被過度診斷而白白手術、整體成本多少？唯有把「救回的命」與「付出的傷害」用同一把尺（每千人、每人年）量出來，預防決策才不會淪為「早期發現一定好」的口號。

這也呼應入門篇的歸因危險度精神：流行病學的價值，在於把模糊的『好』與『壞』逼成可以相減、相除、相互權衡的具體數字。

從危險因子清單到風險預測模型：預防的精算化

傳統慢性病預防把危險因子當成一張「清單」逐項打勾（有沒有抽菸？血壓高不高？）。但當代心血管預防已經走向整合式風險預測模型——把多個因子餵進一條方程式，輸出「未來十年發生心血管事件的機率」。最有名的例子是 Framingham 風險評分與後續的 pooled cohort equations（PCE）、歐洲的 SCORE2。

這代表一種思維轉變：預防不再問「你有沒有危險因子」，而問「綜合起來，你未來十年的絕對風險是百分之幾」，再據此決定是否啟動藥物（如他汀類 statin）介入。這把預防變成一門精算學，而精算學最在乎兩件事：

• 區辨力（discrimination）：模型能不能把「將來會發病的人」和「不會的人」分開？常用 C-statistic（即 AUC）衡量，0.5 等於瞎猜，越接近 1 越好。
• 校準度（calibration）：模型說「這群人十年風險 10%」，實際追蹤下來真的約有 10% 發病嗎？一個區辨力高但校準差的模型，會系統性高估或低估風險，導致該吃藥的沒吃、不必吃的吃了。

這裡有個對台灣學生極切身的提醒：美國世代建立的 PCE 直接套到亞洲族群，往往高估風險——因為基準發病率與危險因子的效應在不同族群並不相同（呼應流行病學進階篇講的「可遷移性／transportability」）。因此本地化的校準（recalibration）不是學術潔癖，而是攸關「會不會讓一整個族群被過度用藥」的公共衛生問題。

近年更前沿的方向是把多基因風險評分（polygenic risk score, PRS）併入模型，試圖在出生時就標定遺傳易感性。但 PRS 目前面臨兩個結構性難題：一是多數 PRS 來自歐洲血統的全基因組關聯研究（GWAS），在非歐洲族群預測力顯著衰減，可能加劇而非縮小健康不平等；二是「知道自己基因高風險」是否真能促成行為改變、又是否帶來保險歧視與心理負擔，仍是倫理與實證的開放問題。這提醒我們：更精準的預測，不自動等於更好的健康，端看它如何被使用、被誰使用。

重點回顧

• 族群歸因分數（PAF）由「相對風險」與「暴露盛行率」相乘決定，這解釋了為何 RR 中等卻普遍的危險因子（如久坐）值得投入；多因子的 PAF 不能直接相加。
• 「早期發現」不等於「救命」：前導時間偏誤讓存活期灌水、病程長度偏誤讓溫和病灶被優先撈出、過度診斷揪出一輩子無害的病灶——三者都讓存活率與發現數變好看卻不降死亡率。
• 判斷篩檢成效的黃金標準是 RCT 以「疾病死亡率」為終點，而非任何存活率或發現率。
• 陽性預測值（PPV）被盛行率主宰：再好的工具在低盛行率族群普篩，也會製造大量偽陽性，這是「鎖定高危險群篩檢」的數學依據。
• 預防正走向精算化：風險預測模型須同時兼顧區辨力與校準度，且歐美模型直接套用亞洲族群常高估風險，本地化校準與 PRS 的族群偏差都是公平性議題。

深入探討（研究所視角）

把上述工具收束起來，研究所層次的慢性病預防其實在處理一個共同主題：如何在「個人層次的機率」與「族群層次的負擔」之間正確地來回翻譯，並讓每一次翻譯都對得起證據與公平。

一、PAF 的因果重述與「可介入性」。 現代流行病學（Greenland、Hernán 等）主張把 PAF 重新定義為一個反事實的介入效果——「若全族群的暴露分布被移到某個理論最小風險暴露（theoretical minimum risk exposure）」下，疾病負擔會下降的比例。這種寫法的好處是逼研究者講清楚「移除暴露」具體是什麼介入（戒菸到零？還是降到某盛行率？），並讓 PAF 可以納入時變暴露與競爭風險（competing risks）的處理。全球疾病負擔研究（Global Burden of Disease, GBD）正是以這套比較風險評估（comparative risk assessment）框架，產出各國各危險因子的可歸因死亡與失能調整生命年（DALY）。

二、篩檢評估的進階偏誤與停止規則。 除了三大偏誤，研究所層次還須處理健康志願者偏誤（healthy volunteer bias）（會來篩檢的人本就較健康）、重疊診斷與過度診斷的量化估計（用 excess incidence 法或長期追蹤的累積發生率差）。當代爭論的核心已從「篩不篩」轉向「對誰、多久篩一次、何時該停」，以及如何把「過度診斷造成的傷害」正式納入決策分析——這催生了以品質調整生命年（QALY）為單位、納入偽陽性與過度診斷負效用的成本效用分析（cost-utility analysis）。

三、競爭風險與「預防的目標到底是什麼」。 慢性病預防有一個常被忽略的哲學難題：在高齡族群，降低某病死亡風險，可能只是讓人改死於另一種病（競爭風險）。若一項介入大幅降低心血管死亡卻不影響總死亡，它的公共衛生價值該如何評價？這迫使研究者區分「特定病因死亡率」與「全因死亡率」，並引入健康餘命（healthy life expectancy）、壓縮病態（compression of morbidity）等概念——預防的終極目標或許不是「不死」，而是「把失能與病痛壓縮到生命最末端」。

四、精準預防與公平的張力。 風險預測模型、PRS、乃至以穿戴裝置與電子病歷驅動的精準公共衛生（precision public health），承諾把預防資源更精準地投向高風險者。但 Geoffrey Rose 的古典警告依然有效：過度聚焦高危險群，會錯過「預防弔詭」指出的、來自低風險多數的大量病例，也可能讓「全人口環境改造」（菸稅、食物環境、都市設計）這條最公平、最有效的路線被邊緣化。更深的隱憂是，若預測模型的訓練資料、PRS 的 GWAS 樣本系統性偏向特定族群，精準工具反而會把既有的健康不平等寫進演算法。前沿研究因此把演算法公平性（algorithmic fairness）、模型在弱勢族群的校準、與可近性（誰用得到這些工具）視為與預測準確度同等重要的評估維度。

五、跨領域的綜合視野。 把這一切串起來，慢性病預防的進階研究是流行病學方法（PAF、存活分析、因果推論）、決策科學（成本效用分析、NNS/NNT、價值取捨）、遺傳與分子流行病學（PRS、發炎與代謝機制）、資料科學（風險模型、校準、演算法公平）、與健康政策／倫理（社會決定因素、可近性、保險歧視）的交會點。對有志深入的學生，一個值得反覆叩問的整合性問題是：當我們手握越來越精細的個人風險預測，公共衛生「以群體為念、以最弱勢為先」的初衷，要如何不被『精準』之名稀釋？ 這既是方法論的前沿，也是這門學科的良心所在。