同一盤生菜，有人沒事、有人住院：風險到底「住」在哪裡？

同一盤生菜，有人沒事、有人住院：風險到底「住」在哪裡？

你已經知道危害（hazard）不等於風險（risk）、知道「劑量決定毒性」、也知道一場群聚要用相對風險（relative risk, RR）與潛伏期去揪出載具。但這裡有一個更尖銳的問題：當衛生主管機關問「如果這批生菜每公克帶有平均 10 個腸道出血性大腸桿菌（E. coli O157:H7），全國有 200 萬人吃下肚，會有多少人住院、多少人併發溶血性尿毒症候群（HUS）？」——你要如何從「每公克幾個菌」這個微觀數字，一路推導到一個可以寫進政策、決定要不要全面下架的族群層次風險估計？

入門告訴你「食品會集體出事」，進階則要求你把這句話拆解成一條可量化的因果鏈：菌量會隨時間溫度變化、吃進去的劑量是一個機率分布、每個劑量對應一個感染機率、感染再分支成發病、住院、死亡。這條從一顆菌到一個族群健康衝擊的推導鏈，正是定量微生物風險評估（Quantitative Microbial Risk Assessment, QMRA）的核心，也是進階食品安全與入門最大的分野。這篇文章，我們就走完這條鏈。

為什麼微生物風險需要一套和化學品不同的數學

入門文章用 NOAEL 除以不確定係數得出每日可容許攝取量（ADI），那是化學性危害的典範。但生物性危害有兩個化學品沒有的特質，使得整套數學必須改寫。

第一，微生物會增殖也會死亡。一塊放在 4°C 的雞肉，菌數可能緩慢上升；同一塊放在 25°C 的廚房檯面兩小時，菌數可能暴增千倍。化學汙染物的濃度在儲存運送過程中大致恆定，但微生物的「劑量」是一個隨時間與溫度動態變化的量。這意味著風險不只取決於「原料汙染了多少」，更取決於「從產地到餐桌這段路，菌有沒有機會長大」。

第二，單一顆病原菌就可能致病。化學毒理學的主流假設是「有閾值」——低於某劑量不會有可見效應。但對許多腸道病原（如 O157:H7、諾羅病毒），主流模型假設無閾值：理論上即使只吃進一顆有活性的病原，仍有非零的感染機率。這把問題從「平均濃度有沒有超標」徹底轉向「每一份食物裡，剛好有幾顆菌、剛好被哪個人吃到」的機率問題。

這兩個特質合起來，逼出了 QMRA 的四個模組：暴露評估（exposure assessment）要追蹤菌數的動態變化、危害特徵描述（hazard characterization）要建立病原的劑量—反應模型、再整合成風險特徵描述。下面逐一拆解。

預測微生物學：把「菌會長大」寫成方程式

QMRA 的暴露評估之所以困難，是因為要回答「這份食物送到嘴邊時帶有多少菌」，就得預測微生物在整條供應鏈中的生長與死亡。這門學問叫預測微生物學（predictive microbiology）。

最基礎的工具是描述菌落生長的 S 型曲線。一個常用的形式是 Gompertz 模型或 Baranyi 模型，它們把菌數對數值 $\log N(t)$ 描述成：先有一段幾乎不生長的遲滯期（lag phase），接著進入近似指數的對數生長期（exponential phase），最後因養分耗竭與代謝物累積進入靜止期（stationary phase）。其中對數生長期的斜率，就是比生長速率（specific growth rate, $\mu$）。

關鍵在於：$\mu$ 不是常數，它強烈受溫度、pH 值、水活性（water activity, $a_w$）與防腐劑濃度共同決定。描述這層關係的叫二級模型（secondary model），例如 Ratkowsky 平方根模型：

$$\sqrt{\mu} = b \,(T - T_{min})$$

其中 $T$ 是儲存溫度、$T_{min}$ 是該菌種理論上能生長的最低溫度、$b$ 是菌種特定的常數。這條看似簡單的式子有巨大的政策含義：因為 $\mu$ 與 $(T - T_{min})^2$ 成正比，溫度只要小幅上升，生長速率就以平方倍率加速。這就是為什麼「冷鏈（cold chain）斷一小時」遠比直覺中嚴重——它不是線性的小失誤，而是把整條生長曲線往左平移、讓菌提早進入爆發性生長。

看一個例子：冷鏈中斷讓菌數翻幾倍？

假設某即食沙拉初始帶有李斯特菌（Listeria monocytogenes）$N_0 = 100$ CFU/g。物流規範要求全程維持 4°C，此時比生長速率極低、近乎不長。但某次配送冷藏故障，產品在 15°C 下停留了 8 小時。

由 Ratkowsky 模型，李斯特菌 $T_{min} \approx -1.5°C$。粗略估計，4°C 與 15°C 的生長速率差距約為：

$$\frac{\mu_{15}}{\mu_4} = \frac{(15 - (-1.5))^2}{(4 - (-1.5))^2} = \frac{16.5^2}{5.5^2} = \frac{272}{30} \approx 9$$

也就是說，同樣的時間，15°C 下菌長得約是 4°C 的 9 倍快。若在 15°C、8 小時內李斯特菌約增殖 1.5 個對數值（即 $\times$ 32 倍），則出貨時菌數已從 100 CFU/g 攀升到約 3,200 CFU/g。對一般人或許仍在可接受範圍，但對孕婦、新生兒、免疫低下者，李斯特菌症（listeriosis）的致死率可高達 20–30%——同一份產品，因為脆弱次族群的存在，風險評估的結論完全不同。這也呼應了入門提過的核心倫理：公共衛生要保護的不是「平均人」，而是分布尾端最脆弱的人。

劑量—反應模型：從「吃進幾顆」到「感染機率」

預測微生物學告訴我們入口時的菌數分布，下一步是把「吃進的劑量 $d$」轉換成「感染機率 $P_{inf}$」。這是 QMRA 與化學風險評估數學上最不同之處。

對無閾值的病原，最常用的是指數模型（exponential model）。它的核心假設是：每一顆吃進去的病原，獨立地以機率 $r$ 成功存活並引發感染（"single-hit" 假設）。若吃進 $d$ 顆，則「沒有任何一顆成功」的機率是 $(1-r)^d$，因此至少感染一次的機率為：

$$P_{inf}(d) = 1 - e^{-r d}$$

其中 $r$ 是單一病原的感染效率，由人體餵食實驗（human feeding study）或爆發資料反推。但指數模型假設「人人對病原的易感性相同」，這在現實中太理想。更普遍的是 Beta-Poisson 模型，它允許 $r$ 在人群與菌株間有變異（用 Beta 分布描述），形式近似為：

$$P_{inf}(d) = 1 - \left(1 + \frac{d}{\beta}\right)^{-\alpha}$$

其中 $\alpha$、$\beta$ 是擬合參數。$\alpha$ 越小，代表族群易感性的異質性越大。諾羅病毒之所以惡名昭彰，部分原因正是它的 $\alpha$ 極小——意味著極低的劑量（幾十顆病毒顆粒）對某些人就足以致病，而這正是它在郵輪、學校、安養機構反覆爆發的數學根源。

要特別澄清一個常見誤解：劑量—反應模型給出的是感染（infection）機率，不是發病（illness）機率，更不是重症或死亡。完整的 QMRA 必須再串接條件機率：

$$P_{ill} = P_{inf} \times P(ill \mid inf), \quad P_{death} = P_{ill} \times P(death \mid ill)$$

每一個箭頭都是一層流行病學參數，且都隨年齡、免疫狀態、病原毒力而變。把這些機率乘起來，再乘上暴露人口數，才得到族群層次的預期病例數、住院數與死亡數。

整合不確定性：二維蒙地卡羅與「變異 vs. 無知」

入門的研究所視角提過用蒙地卡羅模擬處理族群異質性。進階要更進一步區分兩種本質不同的不確定性，這是 QMRA 方法論的精華。

• 變異性（variability）：是世界本身的真實差異——不同人吃不同份量、不同產品帶不同菌數、不同個體易感性不同。再多研究也消不掉它，只能更精細地描述其分布。
• 不確定性（uncertainty）：是我們知識的不足——我們不確定 $r$ 到底是 0.001 還是 0.005，因為人體實驗樣本太少。這種不確定性原則上可以靠更多資料縮小。

成熟的 QMRA 用二維蒙地卡羅模擬（two-dimensional Monte Carlo）把兩者分開：內層迴圈抽樣變異性（模擬一個真實族群的個體差異），外層迴圈抽樣參數的不確定性（模擬「如果我們對參數的估計是錯的」）。最後得到的不是單一風險數字，而是一整片風險的可能分布——既告訴決策者「最可能的病例數」，也誠實標示「我們的估計有多不確定」。

這個區分的政策意義極大：如果風險很高但不確定性很小，該果斷管制；如果風險估計很高但不確定性巨大，理性的回應可能是「先投資研究把參數釘住」，而非貿然花大錢全面管制。把「世界的隨機」和「我們的無知」分開，是科學誠實的最高形式之一。

源頭歸因：全國的食源性疾病，該怪誰？

入門講的是「單一群聚怎麼揪兇手」。但站在國家層級，主管機關面對的是另一個尺度的問題：每年全國數十萬例食源性疾病，分別該歸因於哪些食物、哪些病原、哪些環節？ 沒有這個答案，就無法決定把有限的稽查與研究資源投到哪裡。這叫源頭歸因（source attribution）。

常用的取徑有三類：

1. 微生物次分型法（microbial subtyping）：把人類病例分離到的菌株，用全基因體定序（WGS）和各種食品／動物來源的菌株庫比對，依相似度把病例「分配」回最可能的動物宿主。丹麥的沙門氏桿菌歸因模型就是經典範例，它能估出「今年的人類沙門氏桿菌病例中，約幾成來自雞肉、幾成來自豬肉」。

2. 流行病學分析法：整合大量爆發調查資料（哪些爆發由哪種食物引起），外推到散發病例（sporadic cases）的食物來源比例。

3. 專家誘出法（expert elicitation）：在資料不足的領域，用結構化方法蒐集多位專家的判斷並量化其不確定性。

這些方法的共同精神，與入門提過的 WGS「把分散個案拼回族群事件」一脈相承，只是尺度從「一場婚宴」放大到「一整個國家、一整年」。源頭歸因的產出，最終會餵進前面說的 QMRA 與 DALY 排序，形成完整的風險治理閉環（risk governance loop）：監測 → 歸因 → 評估 → 管制 → 再監測。

動手試試：用劑量—反應模型比較兩種介入

假設某病原符合指數模型，單顆感染效率 $r = 0.001$。現有一份食品平均帶有 $d = 500$ 顆活菌。

先算現況的感染機率：

$$P_{inf} = 1 - e^{-0.001 \times 500} = 1 - e^{-0.5} \approx 1 - 0.607 = 0.393$$

約 39.3% 的食用者會被感染。現在比較兩種介入方案：

• 方案 A（源頭減量）：改善農場衛生，使初始菌數降為原本的 1/10，即 $d = 50$。 $$P_{inf} = 1 - e^{-0.001 \times 50} = 1 - e^{-0.05} \approx 0.049$$
• 方案 B（末端加熱）：增加一道殺菌步驟，使菌數降為原本的 1/100，即 $d = 5$。 $$P_{inf} = 1 - e^{-0.001 \times 5} = 1 - e^{-0.005} \approx 0.00499$$

解讀：方案 A 把感染機率從 39.3% 降到約 4.9%（降幅約 8 倍），方案 B 降到約 0.5%（降幅約 79 倍）。注意一個反直覺之處——菌數減為 1/10，感染機率卻沒有同步減為 1/10。這是因為在高劑量區（$P_{inf}$ 接近 1），曲線已飽和；只有把劑量壓到夠低，每減少一個對數值的菌量才能換來成比例的風險下降。這正是 HACCP 強調「在關鍵管制點做到足夠對數削減（log reduction）」的數學理由：減菌要減到曲線陡峭的那一段，才划算。試著想想：若這個病原改用 Beta-Poisson 模型且 $\alpha$ 很小（高異質性），同樣的減菌策略效果會更好還是更差？

重點回顧

• 微生物風險的數學和化學不同：病原會隨時間溫度增殖、且常假設無閾值（單顆即可能致病），因此不能套用 ADI 那一套，要用 QMRA。
• 預測微生物學用生長模型（Gompertz/Baranyi）與二級模型（Ratkowsky）描述菌數動態，且生長速率與 $(T-T_{min})^2$ 成正比——冷鏈中斷的危害是非線性放大的。
• 劑量—反應模型（指數、Beta-Poisson）把吃進的劑量轉成感染機率；模型給的是「感染」，要再乘條件機率才得到發病、住院、死亡。
• 二維蒙地卡羅刻意分開「變異性（世界的隨機）」與「不確定性（我們的無知）」，前者只能描述、後者可靠更多資料縮小，兩者導向不同的政策回應。
• 源頭歸因用 WGS 次分型、爆發外推或專家誘出，回答「全國的食源性疾病該歸因於哪些食物與病原」，餵進風險排序形成治理閉環。

深入探討（研究所視角）

1. 全基因體定序如何重寫整個監測與歸因典範。 過去十年，WGS 成本的崩跌讓食安監測從「表型分型（血清型、脈衝場電泳 PFGE）」全面轉向基因體流行病學（genomic epidemiology）。其關鍵指標是核心基因體多位點序列分型（cgMLST）與 SNP 距離：兩個分離株若僅差數個單核苷酸多型性（SNP），即可高度確信它們源自同一汙染事件，即使病例相隔數月、橫跨數國。這把「群聚定義」從流行病學的時空鄰近性，重構為演化樹上的親緣距離，使得過去無法偵測的「低度、長期、跨境」散發爆發得以現形。但它也帶來新的統計挑戰：多大的 SNP 距離才算「同源」並非固定值，而隨病原的突變速率與分析窗口而變，需要建立貝氏（Bayesian）框架的分子時鐘模型來校準，避免過度連結（over-linkage）造成的假性群聚。

2. 抗藥性的定量風險評估與 One Health 建模。 入門提到抗生素抗藥性（AMR）透過食物鏈流動，進階則要問：能不能把它量化？這是一個比病原 QMRA 更難的問題，因為要追蹤的不只是菌，還有抗藥基因（ARG）的水平基因轉移（horizontal gene transfer）——抗藥質體（plasmid）可在不同菌種間跳躍傳遞。新興的取徑是把總體基因體學（metagenomics）的 ARG 豐度資料，整合進 One Health 的傳輸動力學模型，估計「畜牧用藥量的變化，多久、以多大幅度反映到人類感染的抗藥比例」。這是一個橫跨獸醫、環境、人類醫學與演化生物學的耦合系統建模問題，也是 WHO 將 AMR 列為全球十大健康威脅後，食品安全研究最前沿的戰場之一。

3. 氣候變遷作為食品安全的長期驅動力。 多數 QMRA 假設環境參數穩定，但氣候變遷正在系統性改變這些假設。氣溫上升直接拉高沙門氏桿菌、弧菌（Vibrio）的生長速率與地理分布；海水暖化使原本侷限於熱帶的腸炎弧菌北擴；極端降雨增加農田逕流，把畜牧糞便中的病原沖入灌溉水與生鮮蔬果供應鏈。這要求風險評估從「靜態快照」走向情境化的動態建模，把氣候投影（climate projection）耦合進預測微生物學與暴露評估，估算未來數十年的食源性疾病負擔趨勢。這與 Educational Omics 強調的「環境維度（Environomics）」精神相通——脫離環境脈絡的風險評估，終究只是某個瞬間的近似。

4. 機器學習與全食物鏈數據整合的潛力與陷阱。 隨著供應鏈感測器、零售掃描、社群媒體症狀通報、基因體資料庫的累積，機器學習被寄望能即時預測爆發、追溯汙染源。已有研究用搜尋引擎查詢與電商評論偵測未通報的食物中毒。但這條路有兩個必須警惕的陷阱：其一，相關不等於因果——模型可能學到的是通報行為的偏差（哪些族群會上網抱怨），而非真實的疾病分布；其二，可解釋性與問責，當一個黑箱模型建議下架某批產品，造成的經濟損失需要科學上站得住腳的理由。因此食品安全領域的共識是：機器學習是強大的訊號偵測（signal detection）輔助，但風險的因果判定與管制決策，仍須回到 QMRA 與爆發調查那套可稽核、可被質疑的科學框架。這也再次呼應入門的核心命題——食品安全是一門融合自然科學、流行病學與社會決策的綜合工程，而非任何單一技術能獨力承擔。