為什麼同一間醫院、同一條街，得病的人卻有「規律」？

為什麼同一間醫院、同一條街，得病的人卻有「規律」？

1854 年的倫敦蘇活區（Soho），霍亂（cholera）在十天內奪走五百多條人命。當時的主流理論認為疾病來自「瘴氣」（miasma）——空氣中的腐臭之氣。一位名叫約翰‧斯諾（John Snow）的醫師卻不相信。他做了一件在今天看來理所當然、在當時卻革命性的事：他拿著一張地圖，把每一個死亡個案的住址標上去。

當這些黑點疊在地圖上，一個模式浮現了——死亡個案密集地環繞著百老街（Broad Street）上的一座公用水泵。斯諾進一步追問那些「住得近卻沒病」的人，發現他們喝的是別處的水；而住得遠卻染病的人，往往恰好路過、喝過那座水泵的水。他說服當地官員拆掉水泵的把手，疫情迅速平息。

斯諾並不知道霍亂弧菌（Vibrio cholerae）長什麼樣——細菌學要再過幾十年才成熟。他靠的不是顯微鏡，而是一種思考方式：疾病不是隨機降臨，它在族群（population）中有分布（distribution），而這個分布背後有可被找出的決定因子（determinant）。 這正是流行病學（epidemiology）的核心精神。這篇文章，我們就從這個「在人群中尋找模式」的視角出發。

流行病學到底在研究什麼？

流行病學最被廣泛接受的定義，來自學者 John Last：研究特定族群中健康相關狀態或事件的分布與決定因子，並將研究成果應用於健康問題的控制。 這個定義雖然拗口，但每個詞都有重量，值得拆開來看。

• 族群（population）：流行病學的眼睛永遠看著「一群人」，而不是單一病人。臨床醫師問「這位病人為什麼生病」；流行病學家問「為什麼是這群人、在這個時間、以這個比率生病」。
• 分布（distribution）：疾病如何依「人、時、地」（person, place, time）三個維度散佈。誰得病多（年齡、性別、職業、社經地位）？什麼時候爆發（季節、年代趨勢）？哪裡盛行（城鄉、國家、特定建築）？這部分稱為描述性流行病學（descriptive epidemiology）。
• 決定因子（determinant）：是什麼造成了這樣的分布？暴露（exposure）與結果（outcome）之間有沒有因果關聯？這部分稱為分析性流行病學（analytic epidemiology）。
• 應用於控制：流行病學不是為了求知而求知。它的終點是公共衛生行動——拆掉水泵的把手、推動疫苗、修法、調整篩檢政策。

簡言之，流行病學是公共衛生的「基礎科學」與「方法論工具」。其他公衛領域（環境衛生、健康政策、衛生教育）都仰賴它提供證據。

先學會數人頭：發生率與盛行率

流行病學最基本的功夫，是把「有多少人生病」精確地量化。最常被混淆的兩個指標是發生率（incidence）與盛行率（prevalence）。

盛行率回答的是：「在某一個時間點，族群中有多少比例的人『正處於』患病狀態？」它像是對人群拍一張快照。

$$\text{盛行率} = \frac{\text{某時點現有病例數}}{\text{該時點總人口數}}$$

發生率回答的是：「在一段觀察期間內，原本沒病的人當中，有多少『新發生』了疾病？」它像是一段影片，記錄新事件冒出來的速度。

$$\text{累積發生率} = \frac{\text{觀察期間新發病例數}}{\text{期初有風險的人口數}}$$

兩者的關係可以用一個經典比喻：想像一個浴缸。發生率是水龍頭流入的新水（新病例），盛行率是浴缸裡現有的水量（現有病例），而排水口則是「痊癒」或「死亡」（病例離開患病狀態）。一個粗略但實用的關係式是：

$$\text{盛行率} \approx \text{發生率} \times \text{平均病程}$$

這解釋了一個常見的迷思。假設醫學進步讓某慢性病的死亡率下降，病人活得更久——這時盛行率會上升（浴缸的水放得慢，水位變高），但這並不代表病「變多了」或預防失敗。事實上，治療成功反而推高了盛行率。所以評估預防成效要看發生率，評估醫療與照護負擔則常看盛行率。混淆兩者，會做出完全相反的政策判斷。

衡量關聯：相對風險與勝算比

描述完分布，流行病學家想知道暴露與疾病之間有沒有關聯，以及關聯有多強。這裡有兩個核心測量。

相對風險（relative risk, RR），又稱風險比（risk ratio）：暴露組的發病風險，是非暴露組的幾倍。

$$RR = \frac{\text{暴露組發生率}}{\text{非暴露組發生率}}$$

RR = 1 代表暴露與疾病無關；RR > 1 代表暴露增加風險（可能是危險因子）；RR < 1 代表暴露降低風險（可能具保護作用，如疫苗）。例如「吸菸者罹患肺癌的風險是不吸菸者的 15–30 倍」，就是用相對風險表達。

勝算比（odds ratio, OR）：在無法直接計算發生率的研究設計（特別是後面會講的病例對照研究）中使用，比較的是「暴露的勝算」而非「發病的風險」。當疾病很罕見時，OR 是 RR 的良好近似。

要特別提醒一個常見錯誤：相對風險大，不代表絕對影響一定大。 若某暴露讓一個罕見疾病的風險從十萬分之一變成十萬分之二，相對風險是 2（翻倍，聽起來嚇人），但絕對風險差（absolute risk difference）只增加十萬分之一，實際衝擊極小。新聞標題常只報「風險增加一倍」而隱去基準值，這是解讀健康資訊時要保持警覺的地方。

看一個例子：用 2×2 表算一次

假設我們追蹤一群人,想知道「常吃加工肉品」與「大腸癌」的關聯。整理成流行病學最常用的 2×2 列聯表：

暴露組（常吃）的發病風險 = 90 / 1000 = 0.09（9%） 非暴露組（不常吃）的發病風險 = 30 / 1000 = 0.03（3%）

相對風險 $RR = 0.09 / 0.03 = 3.0$。

解讀：在這份假想資料中，常吃加工肉品者罹患大腸癌的風險是不常吃者的 3 倍。而絕對風險差 = 9% − 3% = 6%，意味著每 100 位常吃者中，「多出」約 6 位因暴露而罹病（若關聯為因果）。

請注意「若關聯為因果」這個但書——算出 RR 只是第一步，它告訴你「有關聯」，但還不能直接斷言「是它造成的」。要跨越這道坎，得處理偏誤、干擾與因果推論，這正是流行病學最精彩也最困難的部分。

研究設計：流行病學家的工具箱

流行病學家不能像實驗室那樣隨意「指派」人去吸菸或染病——這既不倫理也不可行。於是發展出一系列觀察性與實驗性研究設計，各有長短。

• 生態學研究（ecological study）：以「群體」為分析單位，比較不同國家或地區的平均暴露與平均疾病率。優點是快、便宜；致命弱點是生態謬誤（ecological fallacy）——群體層次的關聯不能直接推論到個人。例如「平均紅酒消費高的國家心臟病死亡率低」，不代表「多喝紅酒的個人就更健康」。
• 橫斷面研究（cross-sectional study）：在某時間點同時測量暴露與疾病，適合估計盛行率。缺點是無法判斷時序——分不清是「先暴露後生病」還是「生病後才改變行為」。
• 病例對照研究（case-control study）：先找一群有病的人（case）與一群沒病的人（control），回溯比較兩組過去的暴露。適合研究罕見疾病，省時省錢，但容易有回憶偏誤（recall bias）。只能算勝算比。
• 世代研究（cohort study）：先依暴露狀態分組，往前追蹤誰發病。能確立時序、可直接算發生率與相對風險，是觀察性研究的黃金標準；但耗時、昂貴，研究罕見疾病時效率差。
• 隨機對照試驗（randomized controlled trial, RCT）：研究者隨機分配介入（如疫苗 vs 安慰劑）。隨機化能平均掉已知與未知的干擾因子，是因果推論證據力最強的設計；但成本高、且許多暴露（如吸菸、空汙）基於倫理無法做 RCT。

沒有哪一種設計「最好」——選擇取決於研究問題、疾病罕見程度、時間與經費。優秀的流行病學家懂得依情境挑工具。

關聯不等於因果：偏誤與干擾

這是整個流行病學最該牢記的一句話：Correlation is not causation（相關不等於因果）。 一個觀察到的關聯，可能來自三種「假象」：

1. 機遇（chance）：純粹的隨機波動。這靠統計檢定與信賴區間來評估（接優統計）。
2. 偏誤（bias）：研究設計或執行的系統性錯誤。常見的有選樣偏誤（selection bias，研究對象不能代表母體）與資訊偏誤（information bias，暴露或結果測量不準，如回憶偏誤）。偏誤一旦發生，再大的樣本也救不回來。
3. 干擾（confounding）：第三個變項同時與暴露和疾病相關，混淆了真正的關聯。

干擾值得多說一點，因為它最隱蔽。經典例子：研究發現「帶打火機的人肺癌風險高」。難道打火機致癌？當然不是——吸菸才是干擾因子，它既與「帶打火機」相關，又是肺癌的真正成因。若不調整吸菸，就會得出荒謬結論。流行病學以分層分析、配對、多變項迴歸、傾向分數等方法來「控制」干擾。

為了系統性地判斷一個關聯是否為因果，流行病學家常參考 Bradford Hill 準則（1965 年提出）的幾個面向：關聯強度（strength）、一致性（consistency，不同研究是否都看到）、時序性（temporality，因必須在果之前——這是唯一不可或缺的條件）、劑量反應關係（dose-response，暴露越多風險越高）、生物合理性（biological plausibility）等。這些不是機械式的檢核表，而是幫助研判因果的思考架構。

動手試試：找出可能的干擾因子

下次你看到一則健康新聞——「研究發現每天喝咖啡的人比較長壽」——別急著去囤咖啡豆。試著問自己三個問題：

1. 這是什麼研究設計？ 是追蹤多年的世代研究，還是只看某一時點的橫斷面？能不能確立時序？
2. 有沒有可能的干擾因子？ 會固定喝咖啡的人，是不是也比較可能有穩定收入、規律作息、就醫方便？這些「健康使用者」特質本身就影響壽命。
3. 報導的是相對風險還是絕對風險？ 「降低 X% 風險」的基準值是多少？

光是養成這套提問習慣，你解讀健康資訊的能力，就已經超越大多數人了。這也正是流行病學素養（epidemiological literacy）的價值——它不只服務研究者，更是每位公民面對排山倒海的健康訊息時的防身術。

從個案到政策：流行病學的公衛應用

回到斯諾的水泵。流行病學最終要回答「所以我們該做什麼」。幾個族群層次的應用值得認識：

• 疾病監測（surveillance）：持續、系統地收集疾病資料，及早偵測異常。COVID-19 期間的每日確診數、Rt 值（有效再生數）都是監測產物。
• 疫情調查（outbreak investigation）：當疫情爆發，流行病學家會繪製流行曲線（epidemic curve，以時間為橫軸、病例數為縱軸），從曲線形狀推斷是單一來源（共同暴露）還是人傳人擴散，並回推可能的暴露時間。
• 族群歸因危險度（population attributable risk）：估計「若消除某暴露，族群中可避免多少疾病」，這直接指引預防資源該投向哪裡。
• 篩檢評估：流行病學提供敏感度、特異度、陽性預測值等指標，判斷一項篩檢值不值得大規模推行——並警惕前導時間偏誤（lead-time bias）等陷阱，避免把「提早診斷」誤認為「延長壽命」。

從吸菸與肺癌的世代研究，到食品安全、空氣汙染、慢性病防治、乃至全球大流行的應對，流行病學一次次把零散的個案，轉化為可以行動的族群層次證據。

重點回顧

• 流行病學研究疾病在族群中的分布與決定因子，並將證據用於健康問題的控制——它是公共衛生的方法論基礎。
• 發生率衡量「新發生」、盛行率衡量「現存」；盛行率 ≈ 發生率 × 病程，混淆兩者會做出相反的政策判斷。
• 相對風險表達關聯強度，但要同時看絕對風險差，否則容易被「風險翻倍」的標題誤導。
• 研究設計各有取捨：生態、橫斷面、病例對照、世代到 RCT，證據力與成本／可行性需權衡。
• 關聯不等於因果：機遇、偏誤、干擾是三大假象來源；判斷因果要靠研究設計與 Bradford Hill 準則，其中時序性不可或缺。

深入探討（研究所視角）

進入研究所層次，流行病學的核心張力可以濃縮為一句話：如何從觀察性資料中,逼近一個本質上屬於「反事實」（counterfactual）的因果問題。

因果推論的形式化框架。當代流行病學的理論支柱是 Rubin 的潛在結果（potential outcomes）框架與 Pearl 的結構性因果模型（structural causal model）。「某暴露對某人的因果效應」被定義為：同一個體在「暴露」與「未暴露」兩種平行世界下結果的差。問題在於，任一個體只能被觀察到一種狀態（the fundamental problem of causal inference），另一半永遠是反事實的。隨機化之所以強大，是因為它讓暴露組與非暴露組在期望上可交換（exchangeability），使群體平均的反事實得以估計。觀察性研究則必須靠「可測量的干擾因子皆已調整」這個無法被驗證的假設（conditional exchangeability / no unmeasured confounding）來逼近。

DAG 與後門準則。有向無環圖（directed acyclic graph, DAG）讓我們把因果假設畫成圖，並依 Pearl 的後門準則（back-door criterion）系統性地判斷「該調整哪些變項、不該調整哪些」。這帶出一個違反直覺、卻極其重要的陷阱——對撞因子偏誤（collider bias）：若一個變項是暴露與結果共同的「果」（collider），對它做調整或選樣，反而會憑空製造出虛假關聯。著名的「肥胖悖論」與部分 COVID 早期住院資料中「吸菸者重症較少」的反常發現，都被認為可能源於 collider bias（以「住院」為選樣條件，而住院同時受暴露與結果影響）。這說明「調整越多變項越好」是錯的——調錯變項會引入偏誤。

中介與效應修飾。研究所階段會進一步區分干擾（confounding，要調整）、中介（mediation，在因果路徑上，調整它等於擋住部分效應，不該盲目調整）與效應修飾／交互作用（effect modification，效應大小隨第三變項而變，要呈現分層結果而非消去）。因果中介分析（causal mediation analysis）把總效應分解為直接效應與間接效應，是當代社會流行病學探討「機制」的利器。

進階方法與跨領域連結。當「無未測量干擾」假設站不住腳時，流行病學借助計量經濟學的工具箱：工具變項（instrumental variable，如孟德爾隨機化 Mendelian randomization，以基因變異作為暴露的天然隨機分配工具）、雙重差分（difference-in-differences）、斷點迴歸（regression discontinuity）、傾向分數（propensity score）等。生物統計則貢獻了存活分析（Cox 比例風險模型）、廣義估計方程（GEE）與處理時變干擾的邊際結構模型（marginal structural model）。近年，因果機器學習（如 targeted maximum likelihood estimation, TMLE；causal forests）試圖在高維資料中estimating異質性處理效應，把流行病學、統計學習與資料科學進一步交織。

回到斯諾。值得玩味的是，斯諾在沒有 RCT、沒有迴歸、甚至不知病原的情況下，已經直覺地運用了時序性、劑量反應（喝水多寡）、以及一個近乎「天然實驗」的設計——蘇活區後續另一項研究中，他比較兩家供水公司（一家取自汙染河段、一家取自上游）的用戶死亡率，這在今天看來幾乎就是工具變項或自然實驗的雛形。一百七十年後，流行病學的數學工具已遠超當年，但那個最初的提問始終未變：這群人為什麼生病，而我們能做些什麼？ 從一張標滿黑點的地圖，到結構性因果模型，流行病學始終是一門「為了行動而求真」的科學。