為什麼一通電話、一張表單，能讓整座城市提前一週備戰？

為什麼一通電話、一張表單，能讓整座城市提前一週備戰？

2003 年初，一位曾在中國廣東行醫、出差到香港的醫師入住九龍一家旅館。他不知道自己已經感染了一種前所未見的病毒。短短數日內，同一樓層的房客把這個後來被命名為「嚴重急性呼吸道症候群」（SARS, severe acute respiratory syndrome）的病原帶往越南、新加坡、加拿大。一場跨洲際的疫情，就在這個沒有人察覺的「指標個案」（index case）身上展開。

事後回顧，真正讓世界稍稍跟上病毒腳步的，不是某種特效藥，而是一套機制：越南河內一位世界衛生組織（WHO）的醫師卡洛‧厄巴尼（Carlo Urbani）注意到一群不尋常的非典型肺炎病例，立刻向上通報；WHO 隨即發出全球警示。這個「察覺異常—通報—示警」的流程，正是公共衛生最不起眼、卻最關鍵的基礎建設——疾病監測（disease surveillance）。

監測不是把病人治好，也不是發明疫苗。它做的事更前置：在族群（population）的層次上，持續地「盯著」疾病的動向，讓我們在疫情失控之前就看見它的影子。這篇文章，我們就從這個「為行動而觀察」的視角，認識監測、通報與疫情調查如何運作。

監測到底是什麼？一個被反覆引用的定義

公共衛生領域對監測最經典的定義，來自美國疾病管制與預防中心（CDC）的學者 Alexander Langmuir，後經多次精煉，核心精神是：對健康相關資料進行持續、系統的收集、分析與解讀，並將結果即時回饋給需要採取行動的人。

這個定義有四個關鍵詞，值得逐一拆開：

• 持續且系統（continuous and systematic）：監測不是疫情爆發時才臨時去數人頭，而是一套常態運轉的制度。就像血壓計需要長期量測才能看出趨勢，疾病資料也必須長期、用一致的方法收集，異常才有「基準線」（baseline）可比對。
• 資料的收集與分析：監測收的不只是確診數，還包括發病日期、地點、年齡、職業、暴露史等。光有原始資料還不夠，必須經過分析（比如和歷年同期比較、計算發生率），數字才會「說話」。
• 解讀與回饋：這是最容易被忽略、卻定義了監測成敗的一環。Langmuir 有一句名言：監測的資料若沒有回到能採取行動的人手上，整套系統就失去意義。 收集了卻沒人看、看了卻沒人行動，等於沒做。
• 為了行動（for action）：監測的終點永遠是公共衛生決策——要不要啟動疫調、要不要發布警示、疫苗該往哪裡配送、防疫物資該如何調度。

換句話說，監測是公共衛生系統的「神經末梢」與「預警雷達」。它本身不直接介入疾病，卻是所有介入的前提。

監測的種類：被動、主動，與它們之間的光譜

監測不是只有一種做法。依照「資料是被動地等上門，還是主動地去挖」，可以分成兩大類型，理解這個差異，是看懂防疫制度的關鍵。

被動監測（passive surveillance） 是最普遍、成本最低的形式。衛生機關事先公告一份「法定傳染病」清單，要求醫師、醫院、實驗室在診斷到這些疾病時，主動向衛生單位通報。資料像河水一樣自動流入系統，公衛人員「被動」地接收。台灣的法定傳染病通報、美國的 National Notifiable Diseases Surveillance System（NNDSS）都屬於這一類。

被動監測的優點是省人力、能廣泛覆蓋；缺點則是嚴重低估真實病例數。許多輕症病人從不就醫，就醫了醫師也未必想到該病、未必記得通報。流行病學界有個生動的比喻——監測金字塔（surveillance pyramid）：被報告上來、出現在統計數字裡的病例，只是金字塔頂端的一小角；底下還有龐大的「就醫未通報」「有症狀未就醫」「無症狀感染」層層疊疊，構成看不見的冰山。

主動監測（active surveillance） 則反過來：衛生機關主動派人去醫院、實驗室、社區「找」病例，定期打電話或調閱紀錄詢問「最近有沒有某某疾病的個案」。它資料完整、準確，但耗費大量人力與經費，通常只在特定時期啟動——例如某疾病進入根除（eradication）最後階段（如小兒麻痺），或重大疫情爆發、需要精確掌握每一個個案時。

在這兩端之間，還有許多變形，反映出監測制度近數十年的演化：

• 哨點監測（sentinel surveillance）：不追求蒐集「所有」病例，而是選定一批具代表性的「哨點」醫療院所，密切監測特定疾病。流感（influenza）的類流感（influenza-like illness, ILI）監測就是典型——少數哨點診所每週回報門診中類流感的比例，雖非全面普查，卻能靈敏地反映流行趨勢。
• 症候群監測（syndromic surveillance）：不等確診，而是即時監測「症狀群」資料，例如急診的發燒、腹瀉、呼吸道症狀主訴數，甚至藥局的止瀉藥銷量。它犧牲了診斷的精確，換來速度——能在實驗室確診之前數天就察覺異常，特別適合生物恐怖攻擊或新興傳染病的早期預警。
• 實驗室監測（laboratory-based surveillance）：以檢驗結果為核心，並進一步做病原體基因定序，追蹤病毒株的變異與傳播鏈。COVID-19 期間各國的變異株（如 Alpha、Delta、Omicron）追蹤，靠的就是這套「基因體監測」（genomic surveillance）。
• 事件型監測（event-based surveillance）：相對於上述以個案數字為主的「指標型監測」（indicator-based），事件型監測廣泛掃描新聞、社群媒體、網路論壇、民眾通報中的「疫情訊號」。WHO 的 EIOS 系統、加拿大的 GPHIN 都是案例——它們能在官方統計尚未成形前，從一則地方新聞裡嗅到苗頭。

沒有哪一種監測「最好」。一個健全的防疫體系，往往是被動、哨點、症候群、實驗室、事件型多種監測並行，互相補位——被動監測廣而粗，哨點與症候群快而靈，主動與實驗室深而準。

一個好的監測系統，該長什麼樣子？

並非有了通報表單就叫監測。CDC 曾提出一組評估監測系統的屬性，幫助我們判斷一套系統的優劣。其中幾個彼此往往「魚與熊掌」，理解這些張力，才能看懂監測制度設計上的取捨。

• 靈敏度（sensitivity）：能否抓到真正的病例？漏掉太多，預警就失靈。
• 及時性（timeliness）：從發病到資料進入系統、再到示警，要多久？對急性傳染病而言，慢一天可能就差很多。
• 代表性（representativeness）：報上來的病例，能否正確反映真實族群中的分布（人、時、地）？若某地區、某族群系統性地少報，會誤導資源分配。
• 陽性預測值（positive predictive value）：被系統判定為「病例」的，有多少是真的？太多假警報會耗盡防疫人力的信任與精力。
• 簡單性（simplicity）與可接受性（acceptability）：通報流程若太繁瑣，第一線醫護就不願配合，再精美的設計也是空談。
• 彈性（flexibility）：面對全新的疾病（像當年的 COVID-19），系統能否快速調整定義、新增欄位？

這裡有個核心張力值得記住：靈敏度與及時性，常常和精確度（陽性預測值）相互拉扯。 症候群監測為了搶快、為了不漏接，會把警報門檻調低，代價是更多假警報；實驗室確診監測雖然準，卻慢。沒有完美的系統，只有「為了當前目的而做出的合理取捨」。設計監測制度，本質上是在這些屬性之間做工程權衡。

從通報到行動：疫情調查與流行曲線

監測像雷達，當它偵測到異常訊號——某地某病的病例數突然超過預期基準線——下一步就是疫情調查（outbreak investigation）。這是流行病學家把抽象數字轉化為具體行動的現場功夫。

教科書通常把疫情調查拆成大致這幾個步驟（順序可依情境調整，有時需同步進行）：

1. 確認疫情是否真的存在：先排除「假性增加」——是不是因為換了新的檢驗方法、加強了通報、或人口移入，才讓數字看起來變多？
2. 確立並核實診斷：確認這些病例真的是同一種病。
3. 建立病例定義（case definition）並找出病例：用「人、時、地、臨床表現」訂出明確標準（例如「某月某日後、某社區內、出現發燒合併腹瀉者」），據此系統性地搜尋所有符合的個案。病例定義太鬆會混入雜訊，太嚴會漏掉真個案。
4. 描述性流行病學：依「人、時、地」整理病例——這就帶出疫調最核心的工具，流行曲線（epidemic curve）。
5. 形成並檢驗假設：推測可能的傳染來源與途徑，常用病例對照或世代分析比較「有暴露」與「無暴露」者的發病差異。
6. 採取控制與預防措施：移除汙染源、隔離病例、施打疫苗、發布衛教。
7. 溝通與後續監測：向大眾與決策者說明，並持續監測確認疫情平息。

流行曲線是疫調的招牌工具：橫軸是發病日期、縱軸是病例數，把每個個案依發病時間堆疊成柱狀圖。曲線的「形狀」會洩漏疫情的傳播模式：

• 單一來源（point source）：所有人在同一短時間內暴露於同一汙染源（如一場聚餐的受汙染食物），曲線會迅速竄升又快速回落，呈現單一陡峭高峰。高峰的時間，往往就是大家共同暴露的時刻。
• 持續共同來源（continuous common source）：汙染源持續存在（如一口長期被汙染的水井），曲線會維持一段高原期，直到汙染被移除。
• 人傳人擴散（propagated）：病原在人與人之間傳遞，曲線會出現一波接一波、間隔約等於潛伏期（incubation period）的數個高峰，像漣漪般擴大。

更巧妙的是，流行病學家可以反過來用流行曲線回推暴露時間。若已知某病的潛伏期（從暴露到發病的時間），把流行曲線的高峰往前推一個平均潛伏期，往往就能鎖定共同暴露事件發生的時段——這正是斯諾時代以降，流行病學「從結果倒推原因」的經典思路。

看一個例子：一場社區腹瀉疫情的解讀

讓我們用一個簡化的假想案例，把上面的概念串起來。

某縣市衛生局的症候群監測系統，在某週發現轄區內三家醫院急診的「急性腹瀉」主訴數，連續兩天超過歷年同期基準線的兩倍。這是雷達上的一個異常訊號——監測系統發揮了它「預警」的功能。

衛生局啟動疫調。流行病學家先確認這不是檢驗方式改變造成的假象，接著訂出病例定義：「該週內、居住於 A 社區、出現水樣腹瀉合併嘔吐者」。據此清查，共找到 68 例。把這 68 例依發病日期畫成流行曲線，呈現一個陡升陡降的單峰——典型的單一來源型態。

已知此類腸胃炎的平均潛伏期約 24 至 48 小時。把高峰往前推約一至兩天，剛好落在社區某活動中心舉辦聯誼餐會的日期。流行病學家接著做了一個小型回溯性世代分析，比較「有參加餐會」與「沒參加」者的發病率：

吃了涼拌菜者的發病率（60%）是沒吃者（8%）的 7.5 倍——這個相對風險（relative risk）強烈指向該道菜是嫌疑來源。檢體送驗後，在涼拌菜與部分病人糞便檢體中驗出同一種病原，傳播鏈就此閉合。

於是控制措施隨之而來：追查食材供應與保存流程、要求改善廚房衛生、對社區發布衛教。後續監測顯示一週後急診腹瀉數回到基準線，疫情判定平息。

請注意這整個流程的邏輯：監測偵測異常 → 疫調建立病例定義 → 流行曲線判斷傳播模式 → 分析性比較鎖定來源 → 採取行動 → 持續監測確認。 每一環都不能少。少了監測，疫情可能拖到很大才被發現；少了疫調的分析，就只能知道「有很多人拉肚子」卻找不出元凶。

監測的限制與倫理：被看見的代價

監測是強大的工具，但不是萬能，也不是沒有代價。一位成熟的公衛工作者必須同時看見它的力量與它的邊界。

資料品質的天花板。前面提過的監測金字塔提醒我們：通報數字幾乎永遠低估真實疫情。通報的完整性、及時性、各地一致性，都會影響數字的可信度。通報數上升，有時反映的是「監測加強」而非「疫情惡化」——疫情初期擴大篩檢，確診數自然跳升，這時把它直接解讀成病毒大爆發，可能誤判。看監測數字，永遠要問「分母是什麼、通報行為有沒有改變」。

隱私與自主的張力。監測本質上是國家對個人健康資訊的系統性收集。法定傳染病通報往往不需要病人個別同意——因為公共衛生的集體利益，在法律上被認為可以正當地限縮個人的資訊自主。但這份權力必須謹慎行使：資料去識別化、嚴格限定使用目的、明確的保存與銷毀規範，都是維繫社會信任的底線。一旦民眾擔心通報會帶來歧視或不利後果（例如愛滋、性病的污名化），就可能隱匿病情、迴避就醫，反而讓監測失靈。信任，是監測系統看不見卻最珍貴的基礎建設。

公平性的盲點。監測若系統性地「看不見」某些族群——沒有健保、不敢就醫的移工，醫療資源匱乏地區的居民——這些族群的疾病負擔就會在數字上被低估，連帶在資源分配上被忽略。監測呈現的「疾病地圖」，某種程度上也是「醫療可近性的地圖」。讀監測資料時保持這份警覺，是公共衛生倫理素養的一部分。

從河內那位醫師的一通通報電話，到今日跨國的基因體監測網絡，疾病監測始終在做同一件事：讓族群層次的疾病動向變得「可見」，好讓人類能夠提前一步行動。 它安靜、不起眼，卻是守在公共衛生最前線的那雙眼睛。

重點回顧

• 監測是對健康資料的持續、系統收集、分析與回饋，終點是公共衛生行動——資料若沒回到能行動的人手上，整套系統就失去意義。
• 被動監測廣而省力但低估病例，主動監測準確但昂貴；哨點、症候群、實驗室、事件型監測各有所長，健全體系靠多種並行互補。
• 好的監測系統在靈敏度、及時性與精確度之間權衡——搶快不漏接（如症候群監測）就得容忍更多假警報，精確（如實驗室確診）就得忍受較慢。
• 疫情調查靠流行曲線判讀傳播模式：單峰指向單一來源、高原期指向持續來源、多波次指向人傳人；高峰往前推一個潛伏期可回推暴露時間。
• 監測數字永遠是冰山一角，且承載隱私與公平的倫理張力——通報增加可能來自監測加強，看不見的族群可能正是疾病負擔最重的族群。

深入探討（研究所視角）

進入研究所層次，疾病監測從「一套通報制度」升級為一個融合統計學、計算科學與決策理論的研究領域。其核心問題可以濃縮成一句：如何從不完整、有偏誤、且持續更新的資料流中，及時且穩健地推斷疫情的真實狀態。

異常偵測的統計化。「病例數超過預期」這句話需要嚴謹的統計定義。傳統的 CUSUM（累積和管制圖）、EWMA（指數加權移動平均）源自工業品管，被移植來偵測症候群監測中的異常激增；Farrington 演算法及其後續改良，則考慮了季節性、長期趨勢與過去爆發的污染，成為歐洲多國症候群監測的標準工具。這裡的核心張力是統計檢定的老問題——第一型與第二型錯誤的權衡：警報門檻訂太低，假警報淹沒防疫人力（alarm fatigue）；訂太高，則錯失早期介入的黃金窗口。

即時估計與右設限（right censoring）。疫情進行中所看到的監測曲線，最近幾天的數字幾乎一定被低估，因為許多個案尚未通報完成——這就是通報延遲（reporting delay）造成的「右設限」問題。直接拿最新數字解讀，會誤以為疫情正在下降。回填（nowcasting） 方法（如貝氏階層模型、廣義加成模型 GAM）試圖根據歷史延遲分布，估計「最終會被通報上來的真實數字」，是當代即時流行病學（real-time epidemiology）的關鍵技術。COVID-19 期間，有效再生數（effective reproduction number, $R_t$） 的即時估計即深受此問題困擾——它對通報延遲、檢驗量能變化、序列間隔（serial interval）假設都極為敏感，這也是為何同一波疫情、不同團隊估出的 $R_t$ 可能有所差異。

多重來源整合與數位流行病學。當代監測不再只靠單一管道。資料融合（data fusion） 試圖整合臨床通報、實驗室、廢水監測（wastewater-based epidemiology，無視通報行為直接量測社區病原載量）、乃至搜尋引擎與社群媒體訊號。Google Flu Trends 的興衰是經典教案：它一度展示了搜尋資料預測流感的潛力，卻也因「大數據傲慢」（big data hubris）與演算法漂移，在某些季節大幅高估疫情，提醒我們數位代理指標（digital proxy）必須與傳統監測校準、不可取而代之。廢水監測則在 COVID-19 後快速成熟，因其不受就醫與通報行為影響，能繞過監測金字塔的低估問題，成為極具前景的「客觀」社區指標。

基因體監測與系統發生學。次世代定序（next-generation sequencing）讓監測從「數人頭」進入「讀傳播鏈」。分子流行病學（molecular epidemiology） 透過病原基因序列的系統發生樹（phylogenetic tree），重建誰傳給誰、病毒何時何地起源、變異株如何擴散。GISAID 這類全球共享平台，使各國得以近乎即時地追蹤 SARS-CoV-2 變異。但這也帶出新的倫理與治理難題：定序資料的跨國共享、智慧財產、以及對來源國的公平回饋（如過往對伊波拉、流感病毒樣本主權的爭議），都是全球衛生治理的前沿議題。

從預警到決策的最後一哩。監測研究的終極價值，在於連接到行動。資訊價值分析（value of information） 與決策理論被用來回答：投入多少資源加強監測、把警報門檻訂在哪裡，才能在「漏報的代價」與「假警報的成本」之間取得最適平衡。這讓監測從一門「觀察的技術」，提升為一門「決策的科學」。

回到那通通報電話。值得深思的是，無論統計模型多麼精巧、定序多麼快速，2003 年阻止 SARS 進一步失控的關鍵，仍是一位臨床醫師「覺得不對勁」並選擇通報的判斷。最先進的監測系統，第一個感測器始終是第一線醫護的專業警覺與通報意願。技術可以放大訊號、加速分析、整合來源，卻無法取代那份「察覺異常、願意說出來」的人為起點。疾病監測的未來，是讓人的警覺與機器的運算彼此增益——而非用後者取代前者。