111 年 國立成功大學環境醫學研究所丙組《流行病學》

核心觀念

1. 橫斷性研究（Cross-Sectional Study）定義：
   屬於觀察性流行病學研究（Observational Epidemiological Study）的一種。其核心特徵為在特定的單一時間點（或一段短暫的時間區間內），同時測量研究對象的暴露狀態（Exposure status）與疾病／健康結果（Disease / Outcome status）。因此又被稱為「盛行率研究（Prevalence Study）」或「疾病快照（Snapshot）」。
2. 核心流行病學指標：
   • 點盛行率（Point Prevalence, $P$）： $$P = \frac{\text{特定時間點存在的病例數}}{\text{該時間點的總研究人口數}}$$
   • 盛行比（Prevalence Ratio, $\text{PR}$）： $$\text{PR} = \frac{P_{E+}}{P_{E-}} = \frac{a / (a + b)}{c / (c + d)}$$
   • 盛行勝算比（Prevalence Odds Ratio, $\text{POR}$）： $$\text{POR} = \frac{\text{暴露組疾病勝算}}{\text{非暴露組疾病勝算}} = \frac{a / b}{c / d} = \frac{ad}{bc}$$
3. 重要限制（因果推論限制）：
   由於暴露與疾病同時被測量，無法確立「暴露先於疾病發生」的時序性（Temporality），極易產生「時序倒置（Reverse Causality）」與「盛行率-發生率偏誤（Neyman bias / Length-time bias）」。

---

解題方法：橫斷性研究的完整執行步驟（SOP）

本題配分高達 30 分，為論述設計型題目。作答切入點應依循嚴謹的「流行病學研究設計標準流程」，從研究架構、對象抽樣、變項測量、統計分析到偏誤控制，層層展開：

步驟一：確立研究假說與研究目的（Formulating Research Hypotheses）

1. 明確界定主要研究問題，說明想探討的特定暴露因子（如：工作場所粉塵暴露、飲食習慣）與健康結果（如：肺功能異常、高血壓）之相關性。
2. 釐清本研究是以「描述性（Descriptive）」為主（評估特定疾病或暴露在族群中的盛行現況與資源分配需求），或是具備「分析性（Analytic）」目的（檢驗暴露與疾病間的關聯性）。

步驟二：界定目標母體與抽樣設計（Target Population & Sampling Strategy）

1. 定義母體：明確劃定目標母體（Target Population）與研究母體（Study Population）的納入標準（Inclusion criteria）與排除標準（Exclusion criteria）。
2. 代表性抽樣：橫斷性研究結果極依賴樣本代表性（Representativeness），應採用機率抽樣（Probability Sampling）方法，常見包含：
   • 簡單隨機抽樣（Simple Random Sampling）
   • 分層隨機抽樣（Stratified Random Sampling，針對年齡、性別或職業分層）
   • 叢集抽樣（Cluster Sampling）或多段抽樣（Multistage Sampling）
3. 樣本數估算（Sample Size Determination）：依據預期盛行率、顯著水準（$\alpha = 0.05$）、統計檢定力（$1 - \beta = 0.80$）及可接受的容許誤差（Margin of error, $d$）進行事前估算： $$n = \frac{Z_{1-\alpha/2}^2 \cdot P(1-P)}{d^2}$$

步驟三：資料蒐集與變項測量（Data Collection & Measurement）

在同一個特定時間窗口內，標準化收集所有研究對象的以下資料：

1. 暴露變項（Exposure）：問卷調查、生物偵測（Biomarkers）、環境監測、歷史作業紀錄等。
2. 結果變項（Outcome）：體檢數據、臨床診斷標準、實驗室檢驗、自填健康量表等。
3. 干擾因子（Confounders）與共變項：年齡、性別、抽菸習慣、社會經濟地位等潛在干擾變項。

核心觀念

本題配分 30 分，為申論題型，重點考核流行病學中因果推論（Causal Inference）的核心概念——**干擾因子（Confounder / Confounding Factor）**的經典定義、判斷條件，以及其對效應估計值（Effect Estimate）所造成的干擾作用（Confounding）。

1. 干擾因子的三個經典條件（Classical Criteria）

一個外在變項 $C$ 若要成為暴露變項 $E$（Exposure）與疾病/結果變項 $D$（Disease / Outcome）之間的干擾因子，必須同時滿足以下三個條件：

1. 與疾病（結果）存在因果關聯：$C$ 本身為疾病的獨立危險因子（Risk Factor）或保護因子（不必透過 $E$ 即能影響 $D$）。
2. 與暴露變項存在統計相關：在未發生疾病的人群（或母體）中，$C$ 的分布在暴露組與非暴露組之間不均勻。
3. 不可位於暴露至疾病的中介路徑上：$C$ 不能是暴露導致疾病的因果鏈中間步驟（$E \to C \to D$，即中介因子 Mediator），否則控制該變項會遮蔽真實的暴露因果效應（造成過度控制偏差 Over-controlling Bias）。

有向無環圖（Directed Acyclic Graph, DAG）結構如下：
$E \leftarrow C \to D$
（其中 $E \to D$ 為欲探討的因果關聯，而 $E \leftarrow C \to D$ 則為背門路徑 Backdoor Path）。

2. 干擾現象的定義

干擾是指由於暴露組與對照組（非暴露組）在基線上的其他風險特徵分布不均勻，導致觀察到的粗關聯估計值（Crude Estimate，如粗勝算比 $\text{OR}_{\text{crude}}$、粗相對危險度 $\text{RR}_{\text{crude}}$）混雜了其他因子的效應，因而偏離兩者間真實的因果關聯（True Causal Effect）。

---

解題方法

本題評分標準包含兩大部分：「何謂干擾因子（定義與條件）」與「如何影響研究結果（影響機制與方向）」。解題切入點應分為三層架構循序回答：

一、干擾因子的定義與判定準則

1. 定義：
   干擾因子是指在研究某一暴露因素與特定疾病或健康結果的因果關聯時，因其在暴露組與非暴露組間分布不均，且其自身與疾病具有因果關聯，進而扭曲暴露與疾病間真實關聯的外部變項。
2. 三項充要判定條件：
   • 條件一（與結果的關聯）：必須是疾病的獨立危險因子或預後因子。
   • 條件二（與暴露的關聯）：在研究對象中與暴露因素具相關性，即在暴露組與對照組間分布不平衡。
   • 條件三（非因果中介物）：絕不能是暴露引起疾病病理或生理機轉的中間產物（Non-mediator）。

二、干擾因子如何影響研究結果

干擾因子透過開啟背門路徑（Backdoor Path）引致干擾偏差（Confounding Bias），具體影響形式可分為以下四種方向與現象：

1. 正干擾（Positive Confounding / 誇大效應）：

   • 機制：當干擾因子與暴露、干擾因子與疾病的關聯方向相同時（皆為正相關，或皆為負相關）。
   • 影響：粗關聯值大於真實關聯值（Away from the null），使得本來較弱的危險效應被高估，甚至無效的因素表現出顯著關聯。
   • 數學表現：$\text{RR}_{\text{crude}} > \text{RR}_{\text{adjusted}} > 1$。
   • 實例：探討飲酒（$E$）與肺癌（$D$）的關聯時，吸菸（$C$）是干擾因子。因為吸菸者常喝酒（$C$ 與 $E$ 正相關），吸菸又導致肺癌（$C$ 與 $D$ 正相關），導致粗分析中飲酒看似顯著增加肺癌風險。

2. 負干擾（Negative Confounding / 低估效應）：

   • 機制：當干擾因子與暴露的關聯、以及與疾病的關聯方向相反時。

核心觀念

**疫苗效力（Vaccine Efficacy, VE）**是傳染病流行病學中評估疫苗預防目標疾病效果的核心指標。

1. 定義：
   在理想條件（通常指嚴格控制的隨機對照臨床試驗，Randomized Controlled Trial, RCT）下，接種疫苗組相較於未接種（或安慰劑）對照組，其疾病發生風險下降的百分比。
2. 數學公式：
   若以 $I_v$ 表示接種組的發病率（Incidence proportion 或 Attack rate），$I_u$ 表示未接種組的發病率，$RR$ 為相對風險（Risk Ratio，即 $RR = \frac{I_v}{I_u}$），則計算公式為： $$VE = \frac{I_u - I_v}{I_u} \times 100\% = (1 - RR) \times 100\%$$ 在概念上，此指標等同於可歸因危險度百分比（Attributable Fraction in the unexposed, 即疫苗所帶來的保護分數或撞擊分數）。

---

解題方法

解答名詞解釋題時，採「定義與情境 $\to$ 數學推導公式 $\to$ 流行病學意義 $\to$ 概念對比」四層次架構鋪陳，可獲得完整評分：

1. 情境限定（Efficacy vs. Effectiveness）：
   • Vaccine Efficacy（疫苗效力）：特定於**第 III 期臨床試驗（RCT）**等理想、嚴格監控的環境下所測得的直接保護效果。
   • Vaccine Effectiveness（疫苗效益）：指疫苗在**真實世界（Real-world setting）**中推廣使用後的實際保護成效（會受到群體免疫、冷鏈運送、遵從度等因素干擾）。
2. 公式表達與指標代換：
   • 寫出標準公式 $VE = \frac{I_u - I_v}{I_u} = 1 - RR$。
   • 若追蹤時間不等且計算發病率密度（Incidence Density），$RR$ 可代換為率比（Rate Ratio, $IRR$）；

核心觀念

本題考核流行病學中衡量疾病發生頻率（measures of disease frequency）的核心指標——累積發生率（Cumulative Incidence, CI），在流行病學文獻與教科書中常被稱為 Incidence Proportion 或 Attack Rate（侵襲率）。

其核心定義與公式如下：

1. 定義：指在一段特定且固定的觀察期間內，某特定初始無病且具罹病風險之族群（population at risk）中，新發生該疾病病例的比例（proportion）。它衡量的是個體在該特定時間區間內發展出該疾病的**平均平均風險（average risk）**或機率。
2. 數學公式： $$\text{Incidence Proportion (CI)} = \frac{\text{特定期間內新發生的病例數}}{\text{觀察開始時處於危險狀態的族群人數}}$$
3. 數學屬性與測量尺度：
   • 比例（Proportion）：分子為新發病例數，分母為最初總人數，分子包含於分母之中。
   • 無單位（Dimensionless）：數值範圍介於 $0$ 到 $1$ 之間（常以百分比 $\%$ 或千分比 $\text{‰}$ 表示），本身不具時間單位因次（無單位，如 $0.05$ 或 $5\%$）。
   • 必須伴隨時間說明：數值的大小嚴格依賴於「觀察時間的長短」（如 1 年累積發生率 vs. 10 年累積發生率，後者數值必定較大）。若未指明時間區間，該數值在流行病學上不具可比性與意義。

---

解題方法（名詞解釋作答架構）

名詞解釋題（佔 8 分）應分層次完整陳述，涵蓋「中文名稱與別名」、「嚴謹定義與公式」、「關鍵假設與限制」及「與相關指標之比較」，以確保取得滿分：

1. 基本定義與別名：
   • 中文譯名：累積發生率、發生比例。
   • 別名：Cumulative Incidence (CI)、Risk（風險）。在傳染病急性爆發調查中，特稱為 Attack Rate（侵襲率）。
2. 計算公式與構成要素： $$\text{Incidence Proportion} = \frac{I}{N_0}$$ 其中：
   • $I$：在指定期間 $\Delta t$ 內新發生的病例數（new cases）。
   • $N_0$：追蹤起點（$t = 0$）時處於風險中的人數（disease-free individuals at risk）。
3. 核心假設（Assumptions）與限制：
   • 閉鎖世代（Closed Cohort）假設：理論上適用於沒有人口進出（無新加入者、無失訪、無因其他死因造成的競爭風險）的固定族群。
   • 完整追蹤條件：要求所有最初處於危險的人口均被完整追蹤至設定時間結束，或直到疾病發病為止。若失訪（lost to follow-up）嚴重或存在廣泛設限（censoring），直接以初值計算會低估或偏誤，此時須改用存活分析（如 Kaplan-Meier 估計法、生命表法）或改算發生率（Incidence Rate / Incidence Density）。

---

選項分析（概念對比）

核心觀念

1. 定義與概念：

   • 偽陰性（False Negative, FN）：指受檢者「實際上具有該疾病（Gold Standard 為陽性）」，但在篩檢工具檢驗下卻呈現「陰性（Negative）」的受試者或檢驗結果。
   • 偽陰性率（False Negative Rate, FNR）：在所有實際患病者中，篩檢結果呈現陰性的機率（條件機率）。其數學關係與**敏感度（Sensitivity, Se）**互為互補事件：
     $\text{FNR} = 1 - \text{Sensitivity}$

2. $2 \times 2$ 列聯表（Contingency Table）定位：
   在診斷與篩檢工具評估中，黃金標準（真實疾病狀態）與篩檢結果的關係如下：

   篩檢結果（Screening Result）	實際有病（$D^+$）	實際無病（$D^-$）	合計
   陽性（$T^+$）	真陽性（$TP$）	偽陽性（$FP$）	$TP + FP$
   陰性（$T^-$）	偽陰性（$FN$）	真陰性（$TN$）	$FN + TN$
   合計	$TP + FN$	$FP + TN$	$N$

---

解題方法

在研究所名詞解釋（8 分）作答時，應採「定義 $\rightarrow$ 數學式／列聯表 $\rightarrow$ 公衛臨床意涵」三層次切入：

1. 文字定義：明確指出「真有病，檢驗判為無病」，並區分名詞代表的是「個體人數（$FN$）」或「機率／比率（False Negative Rate, FNR）」。
2. 數學式推導：
   • 偽陰性人數以 $c$ 或 $FN$ 表示。
   • 偽陰性率公式：
     $\text{False Negative Rate (FNR)} = P(T^- \mid D^+) = \frac{FN}{TP + FN} = 1 - \text{Sensitivity}$
3. 公共衛生與臨床衝擊（Clinical & Public Health Impact）：
   • 延誤治療（Delayed Diagnosis/Treatment）：給予病患虛假的安全感（false reassurance），錯失早期發現、早期介入的黃金治療期。

核心觀念

直接標準化（Direct Standardization）是流行病學與人口統計學中，用以校正干擾因子（Confounder，最常見為年齡結構）影響的統計校正技術。

當比較兩個或多個不同母體的粗率（Crude Rate，如粗死亡率、粗發生率）時，若各族群的內部結構（如高齡人口比例）不同，粗率的高低可能反映的是「人口結構老化」而非「實際疾病暴露或健康風險的差異」。

• 定義機制：選定一個客觀且共同的外部標準母體（Standard Population），將各個研究母體內各分層（如各年齡層）所測得的特定族群發生率／死亡率（Age-specific Rates, $r_i$），套用（乘上）至該標準母體對應分層的人口數（$N_{s,i}$）或人口權重（$w_i$），藉此計算出在「假設大家都擁有相同標準人口結構」下的加權平均率，即為直接標準化率（Direct Standardized Rate, DSR）。

數學公式

設將母體分為 $k$ 個分層（如年齡層 $i = 1, 2, \dots, k$）：

• $r_i = \frac{d_i}{n_i}$：研究母體在第 $i$ 層的特定死亡率／發生率（$d_i$ 為事件數，$n_i$ 為該層人口數）。
• $N_{s,i}$：標準母體在第 $i$ 層的人口數。
• $N_s = \sum_{i=1}^k N_{s,i}$：標準母體的總人口數。
• $w_i = \frac{N_{s,i}}{N_s}$：標準母體第 $i$ 層所佔的權重（$\sum w_i = 1$）。

直接標準化率（DSR）之計算式：

$$\text{DSR} = \frac{\sum_{i=1}^k (r_i \times N_{s,i})}{\sum_{i=1}^k N_{s,i}} = \sum_{i=1}^k (w_i \times r_i)$$

---

解題方法

本題為研究所入學考試之 8 分名詞解釋題，回答時應具備完整論述架構：

1. 定義與目的：闡明去除混淆干擾、促進跨族群可比性的核心目的。
2. 計算原理與公式：列出分層特定率乘上標準人口權重的本質，並說明各符號意義。
3. 適用要件（Prerequisites）：
   • 必須清楚掌握研究母體中「各分層的人口數及事件數」，以計算出每一層的特定率（Age-specific rates）。
   • 各分層的樣本數必須足夠大，避免各層特定率因事件稀少而產生過大的隨機波動（Random variation）。

核心觀念

相對危險度（Relative Risk, RR），又稱危險比（Risk Ratio）或率比（Rate Ratio），是流行病學中衡量**暴露（Exposure）與疾病（Disease/Outcome）之間關聯強度（Strength of association）**最核心的指標。

• 核心定義：暴露組的疾病發生率（累積發生率或發生率密度）與非暴露組的疾病發生率之比值。

• 適用研究設計：主要應用於世代研究（Cohort Study）與隨機對照試驗（Randomized Controlled Trial, RCT），因為這類前瞻性追蹤研究具備明確的時間向度與分母（暴露與非暴露人口數或人時數），可直接計算發生率。

• 公式與數學表示：
  若以常見的二乘二列聯表（$2 \times 2\text{ contingency table}$）表示：

  組別	罹病（$D+$）	未罹病（$D-$）	總人數
  暴露組（$E+$）	$a$	$b$	$a+b$
  非暴露組（$E-$）	$c$	$d$	$c+d$

  1. 以累積發生率（Cumulative Incidence, CI）計算之危險比（Cumulative Incidence Ratio, CIR）： $$RR = \frac{CI_{E+}}{CI_{E-}} = \frac{\frac{a}{a+b}}{\frac{c}{c+d}}$$
  2. 以發生率密度（Incidence Density, ID）計算之率比（Incidence Rate Ratio, IRR）（當分母為人時 $PT$ 時）： $$RR = \frac{I_{E+}}{I_{E-}} = \frac{a / PT_{E+}}{c / PT_{E-}}$$

---

解題方法（名詞解釋完整答題架構）

作答名詞解釋題（8 分）時，切入點應包含：定義與公式、數值判讀（意義）、適用研究設計與限制，展現系統性流行病學思維。

1. 數值意義與判讀（Interpretation）

$RR$ 數值恆為正數（$0 \le RR < \infty$），以 $1.0$ 作為無相關的虛無基準值（Null value）：

• $RR = 1.0$：表示暴露組與非暴露組的發生率相同，暴露與疾病無統計相關性（No association）。
• $RR > 1.0$：表示暴露組的發病風險高於非暴露組，該暴露因子為危險因子（Risk factor）。例如 $RR = 2.5$ 表示暴露者發病風險為非暴露者的 $2.5$ 倍（或風險增加 $150\%$）。
• $RR < 1.0$：表示暴露組的發病風險低於非暴露組，該暴露因子為保護因子（Protective factor）。