111 年 國立臺灣大學流行病學與預防醫學研究所甲：流行病組《流體力學（A）》

本題主要考查流行病學的研究設計、測量工具、統計分析以及偏差的理解。

(a) 針對第一個議題：兒童與青少年的精神健康在疫情前後是否有改變？

研究設計與方法：
為了探討疫情前後精神健康是否有改變，最直接且合適的研究設計是世代追蹤研究 (cohort study)，特別是向前追蹤 (prospective cohort study)。

1. 樣本收案 (Sample Recruitment)：
   • 在疫情發生前（或初期），從特定學校、地區或機構招募一群兒童與青少年作為研究對象。
   • 可以採用分層抽樣 (stratified sampling) 或叢集抽樣 (cluster sampling) 的方式，確保樣本的代表性。
2. 測量 (Measurement)：
   • 基線測量 (Baseline Measurement)： 在疫情尚未對其生活產生顯著影響前（例如，疫情發生前的某個時間點），對研究對象進行精神健康狀況的基線評估。
   • 追蹤測量 (Follow-up Measurement)： 在疫情持續一段時間後（例如，一年或兩年後），再次對同一群研究對象進行精神健康狀況的評估。
   • 測量工具： 可以使用標準化的精神健康評估問卷，例如：
     • 兒童青少年憂鬱量表 (Children's Depression Inventory, CDI)
     • 兒童青少年焦慮量表 (Screen for Child Anxiety Related Emotional Disorders, SCARED)
     • 兒童青少年壓力感受量表 (Child and Adolescent Stress Scale, CASS)
     • 家長報告問卷或學校老師報告問卷，以獲得更全面的資訊。
     • 若有自殺意念或行為，則需使用專門的評估工具。
3. Outcome 指標：
   • 精神健康狀況的改變： 比較追蹤測量與基線測量時，研究對象在憂鬱、焦慮、壓力感受等指標上的分數變化。
   • 精神疾病的發生： 追蹤期間，診斷出（或自我報告）憂鬱症、焦慮症等精神疾病的比例。
   • 自殺意念或行為的發生率。
   • 人際關係的品質改變。

研究方法之缺點：

• 耗時且成本高： 前向追蹤研究需要長時間的追蹤，收集資料的過程較為耗時，且需要持續的資源投入。
• 失訪 (Loss to follow-up)： 長時間追蹤過程中，部分研究對象可能會因為搬家、失去聯繫、退出研究等原因而失訪，這可能導致樣本代表性下降，並引入偏差。
• 測量時的影響： 疫情本身可能影響研究對象對問卷的回答方式（例如，因為疫情感到焦慮而傾向於選擇更負面的答案）。
• 回溯偏誤 (Recall bias)： 如果研究設計中包含回溯性問題（例如，詢問疫情前的狀況），則可能存在回溯偏誤。

(b) 針對第二個議題：哪些家庭相關的因素，對於兒童與青少年在面對疫情發生的困擾上扮演重要的角色？

精神健康困擾議題（假說）：
假說： 家庭經濟狀況不佳、父母親情緒支持度低、家庭衝突頻繁，是導致兒童與青少年在COVID-19疫情期間出現較高憂鬱、焦慮及壓力感受的重要預測因子。

研究的詳細方法：

1. 研究設計： 採用世代追蹤研究 (cohort study) 或橫斷面研究 (cross-sectional study)。考量到要探討「因素」與「困擾」的關係，且能捕捉疫情前後的影響，世代追蹤研究更佳。若資源有限，橫斷面研究也可以初步探測。這裡以世代追蹤研究為基礎說明：
   • 樣本收案： 同(a)題，在疫情發生初期或之前收案。
   • 變項定義與測量：
     • 精神健康困擾 (Outcome Variable)：
       • 定義： 指兒童與青少年在COVID-19疫情期間，出現的憂鬱、焦慮、壓力感受、人際關係困難等心理健康問題。
       • 測量工具： 同(a)題，使用標準化的量表，如 CDI, SCARED, CASS 等。可以同時收集兒童青少年自評、家長評估、老師評估的數據。

基礎再生數（Basic Reproduction Number, $R_0$）是流行病學中衡量傳染病傳播潛力的重要指標。

定義 (3分)：
$R_0$ 是指在一個完全沒有免疫力的完整易感族群中，當一個感染者進入該族群時，平均能夠感染到的新個體數量。
簡單來說，它代表一個感染者在理想的傳播條件下，平均能傳播給多少人。

流行病學意義 (2分)：
$R_0$ 的值對於預測傳染病的傳播趨勢至關重要：

1. 疾病是否會傳播：
   • 若 $R_0 > 1$，表示一個感染者平均能感染超過一個人，疾病將會在族群中持續傳播，形成流行。
   • 若 $R_0 < 1$，表示一個感染者平均感染的人數少於一個人，疾病最終會自行消失。

基礎再生數（$R_0$）的決定因子主要有三個，它們共同影響著傳染病的潛在傳播能力：

1. 感染者具有傳染性的時間長度 (Duration of infectiousness, $D$)：

   • 指一個感染者從開始具有傳染性到喪失傳染性為止的平均時間長度。
   • 這個時間越長，感染者就有更多機會接觸到易感者，從而傳播疾病。

2. 傳播途徑的有效性 (Effectiveness of transmission per contact, $b$)：

   • 指在一次接觸中，感染者將病原體傳播給易感者的機率。

SARS-CoV-2 病毒的基礎再生數（$R_0$）主要由三個決定因子構成：感染者具有傳染性的時間長度 ($D$)、傳播途徑的有效性 ($b$)，以及平均每次接觸到易感者的機會 ($c$)。公共衛生措施的目標是透過各種手段，將有效的再生數（$R$）降低到 1 以下，進而控制疫情。以下從這三個因子來探討如何降低 $R_0$：

$R_0 = c \times b \times D$

1. 降低平均每次接觸到易感者的機會 ($c$)：

   • 社交距離 (Social Distancing)： 這是最直接有效降低 $c$ 的方法。措施包括：
     • 限制大型集會、禁止室內聚會。
     • 鼓勵在家工作 (Work From Home, WFH)。
     • 關閉學校、改採遠距教學。
     • 限制公共場所人流。
   • 封鎖與限制移動 (Lockdowns and Mobility Restrictions)： 嚴格的封鎖措施可以大幅減少人群之間的接觸頻率和範圍。
   • 個人行為改變： 鼓勵民眾減少非必要的外出和社交活動。

2. 降低傳播途徑的有效性 ($b$)：

   • 佩戴口罩 (Mask Wearing)： 口罩能有效阻擋飛沫和氣溶膠的傳播，降低病毒從感染者傳播到易感者的機率，以及易感者吸入病毒的機率。
   • 保持良好通風 (Ventilation)： 確保室內空間通風良好，稀釋空氣中的病毒濃度，降低空氣傳播的風險。

Case-fatality rate (CFR) 和 Mortality rate (死亡率) 都是衡量疾病嚴重程度的指標，但它們的定義和適用對象不同。

1. 致死率 (Case-fatality rate, CFR)：

• 定義： 指在特定時間內，某疾病的確診病例中，有多少比例在該段時間內死亡。
• 計算公式：
  $\text{CFR} = \frac{\text{在特定時間內死亡的確診病例數}}{\text{在該時間內新診斷的確診病例總數}} \times 100\%$
• 意義： CFR 主要用來評估某種疾病的「病原體」或「特定診斷下的疾病」的致死程度。它反映了疾病本身的嚴重性，或者說，對於「已經確診患病的人」而言，死亡的風險有多高。
• 適用情境： 通常用於評估特定傳染病（如 SARS, COVID-19, 狂犬病）的嚴重程度，或者在特定時間內、特定醫療資源條件下，觀察病患的死亡風險。

2. 死亡率 (Mortality rate)：

• 定義： 指在特定時間內，某人群中，因某疾病死亡的總人數佔該人群總數的比例。
• 計算公式：
  $\text{Mortality rate} = \frac{\text{在特定時間內因某疾病死亡的總人數}}{\text{在該時間內該人群的總人口數}} \times 100\%$
• 意義： Mortality rate 反映了某疾病對「整個族群」的健康衝擊程度。它不僅考慮了疾病的致死性，還考慮了疾病在人群中的流行程度（即有多少人會得到該病）。

制定防疫政策時，理解傳染病的時序性（temporal aspects）至關重要，特別是新型冠狀病毒（如 SARS-CoV-2）的症狀潛伏期（incubation period）、傳播力潛伏期（latent period）和傳染期（infectious period）。這些時間參數直接影響我們如何設計檢測、隔離、接觸者追蹤和社交距離等策略。

• 症狀潛伏期 (Incubation Period, IP)： 從感染病原體到出現第一個症狀的時間。
• 傳播力潛伏期 (Latent Period, LP)： 從感染病原體到個體變得具有傳染性的時間。對於 COVID-19，LP 通常比 IP 短，這意味著感染者可能在出現症狀前就已經具有傳染性。
• 傳染期 (Infectious Period, InfP)： 個體具有傳染性的時間長度。

以下是根據這些時期制定防疫政策的策略：

1. 處理「症狀潛伏期 (IP)」：

   • 目的： 由於感染者可能在潛伏期內無症狀，但仍具傳染性，因此單純依賴症狀篩檢不足以完全阻止傳播。
   • 政策：
     • 旅遊限制與邊境檢疫： 對來自高風險地區的旅客進行體溫篩檢，但由於潛伏期長度，單靠體溫篩檢不足以完全排除風險。
     • 居家隔離 (Quarantine)： 要求來自高風險地區或曾與確診者接觸的人員進行一段時間的居家隔離，其隔離天數通常會基於最長潛伏期來設定，以捕捉到可能無症狀但已感染的個體。例如，COVID-19 早期常建議 14 天隔離。

2. 處理「傳播力潛伏期 (LP)」與「傳染期 (InfP)」的重疊與特性：

   • 關鍵點： SARS-CoV-2 的一個重要特徵是，感染者在出現症狀前（即潛伏期內）就可能具有傳染性，且傳染力在症狀出現前 1-2 天達到高峰，並在症狀出現後持續一段時間。這意味著：
     • 無症狀傳播 (Asymptomatic Transmission) 是重要的傳播模式。
     • 僅隔離有症狀者是不夠的。
   • 政策：

流行病學鐵三角 (Epidemiologic Triangle) 由三個要素組成：宿主 (Host)、病原體 (Agent) 和環境 (Environment)。當這三個要素之間發生交互作用時，疾病就會發生。針對「完整接種兩劑新型冠狀疫苗後仍被感染」，我們可以用鐵三角來分析可能的原因：

1. 宿主 (Host) 因素：

   • 疫苗保護力下降或非完整免疫 (Waning Immunity or Incomplete Immunity)：
     • 原因： 雖然接種了兩劑疫苗，但疫苗的保護力會隨著時間推移而下降（免疫衰退）。或者，個體對於疫苗的反應不如預期，產生的抗體水平不足以完全預防感染。
     • 影響： 即使接種疫苗，宿主對病毒的抵抗力可能不如預期，使得病毒有機會突破免疫屏障而引起感染。
   • 個體免疫反應差異 (Individual Immune Response Differences)：
     • 原因： 不同個體的免疫系統對疫苗的反應不同，可能因為年齡、潛在疾病（如免疫缺陷疾病）、正在使用的藥物（如免疫抑制劑）或基因差異，導致產生的免疫保護效果較弱。
     • 影響： 即使是相同的疫苗，對不同個體的保護效果也可能存在顯著差異。
   • 暴露量過大 (High Exposure Dose)：
     • 原因： 宿主可能暴露於非常高濃度的病毒，遠超過疫苗提供的保護能力所能應對的程度。
     • 影響： 即使有一定免疫力，極高的病毒暴露量也可能導致感染發生。

2. 病原體 (Agent) 因素：

   • 病毒變異株的出現 (Emergence of New Viral Variants)：
     • 原因： SARS-CoV-2 持續變異，產生了新的變異株（如 Delta, Omicron 等）。

這是一題關於解釋流行病學數據的題目，重點在於區分不同指標的意義。題目提供了兩組比較對象（煉焦煤場工人 vs. 其他製造業工人）的「肺癌死亡比例」（proportion of deaths due to lung cancer）。

題目給的資訊：

• 煉焦煤場工人：25% 的死亡是死於肺癌。
• 其他製造業工人：10% 的死亡是死於肺癌。

選項分析：

(A) 煉焦煤場工人的全死因死亡率（all cause mortality）較高

• 說明： 題目只告訴我們死因的「比例」，但沒有提供「總死亡人數」或「總人口數」。例如，如果煉焦煤場工人的總死亡率很低，但肺癌佔了其中 25%；而其他製造業工人總死亡率很高，但肺癌只佔其中 10%。我們無法從比例得知總死亡率的高低。因此，這是一個推論，但不是最直接或最合理的。

(B) 煉焦煤場工人的肺癌死亡率較高

• 說明： 這裡的「肺癌死亡率」可以理解為「因肺癌死亡的人數佔該群體總人數的比例」（即特定原因死亡率，cause-specific mortality rate），或者更廣泛地指「因肺癌死亡的風險」。
  • 如果我們假設兩組工人的總人口數相似，或者至少可以比較「每單位人口」的死亡比例。
  • 題目中「肺癌所佔的百分比」是「死亡原因構成比」，即 P(Lung Cancer | Death) = 25% for coke workers, and 10% for other manufacturing workers.
  • 然而，我們真正想比較的是 P(Death from Lung Cancer | Being a coke worker) vs P(Death from Lung Cancer | Being another manufacturing worker)。
  • 雖然題目直接給的是「死亡原因比例」，但這通常是為了推論「特定原因死亡風險」或「特定原因死亡率」。
  • 如果我們進一步考慮，在其他製造業工人中，有 10% 死於肺癌，那意味著 90% 死於其他原因。而在煉焦煤場工人中，有 25% 死於肺癌，那意味著 75% 死於其他原因。
  • 這強烈暗示，煉焦煤場工人面臨更高的肺癌風險。如果我們假設總死亡率沒有巨大差異，那麼煉焦煤場工人的肺癌死亡率（相對於其總人口）確實可能較高。
  • 更精確地說，比例的差異 (25% vs 10%) 直接指向了在「死亡原因」上，肺癌在煉焦煤場工人中的「相對重要性」遠高於其他製造業工人。這很自然地引導我們推論，煉焦煤場工人罹患肺癌並因此死亡的「風險」或「率」更高。

(C) 煉焦煤和肺癌的相對危險性估計值為 2.5

• 說明： 相對危險性 (Relative Risk, RR) 通常是比較「暴露組」和「非暴露組」的「發生率」或「風險」。在這裡，暴露組是煉焦煤場工人，非暴露組是其他製造業工人。
  • 如果我們把題目中的比例當作是「死亡風險」的近似值，那麼：
    • 暴露組（煉焦煤場工人）的風險（死於肺癌的比例）= 0.25
    • 非暴露組（其他製造業工人）的風險（死於肺癌的比例）= 0.10
  • 相對危險性 (RR) = (暴露組風險) / (非暴露組風險) = 0.25 / 0.10 = 2.5。
  • 這個計算是基於將「死亡比例」視為「特定原因死亡風險」的合理近似。因此，這是一個非常合理的推論。

(D) 和其他製造業工人比較，煉焦煤場工人肺癌死亡率與非肺癌死亡率的差距較小

• 說明：
  • 煉焦煤場工人：肺癌死亡比例 25%，非肺癌死亡比例 75%。差距 = 75% - 25% = 50%。
  • 其他製造業工人：肺癌死亡比例 10%，非肺癌死亡比例 90%。差距 = 90% - 10% = 80%。
  • 顯然，煉焦煤場工人的差距（50%）比其他製造業工人（80%）要小。所以這個敘述是正確的。
  • 但是，題目問的是「比較合理的假說」。選項 (B) 和 (C) 指出煉焦煤場工人面臨更高的肺癌風險，這是研究者最可能首先探討或提出的假說，因為煉焦煤場的職業暴露與肺癌的關聯性是流行病學上廣為人知的。選項 (D) 雖然在數學上成立，但它描述的是一個相對較小的「差距」，這本身並不是研究者最關心的核心發現，除非這個差距小到可以解釋其他現象。

重新評估選項：
題目問「比較合理的假說」。

• (A) 無法確定。
• (B) 這是最直接且合理的推論。比例從 10% 提升到 25%，最自然的解釋就是肺癌的死亡風險或率在煉焦煤場工人中更高。
• (C) 這是一個量化的估計，基於將比例視為風險。如果題目是問「最精確的量化描述」，這個可能很合適。但作為「假說」，(B) 更為直接。

這是一道關於解釋相關性研究結果的題目，特別是當研究對象是國家層級的數據時。

題目資訊：

• 研究對象：40 個國家。
• 變項：國民平均脂肪攝取量、乳癌死亡率。
• 發現：存在正比關係 (correlation coefficient = 0.6)。

核心觀念：

1. 相關不等於因果 (Correlation does not imply causation)： 相關係數 (r=0.6) 雖然顯示有中度到強度的正相關，但它不能直接證明脂肪攝取是導致乳癌死亡的原因。可能存在其他因素（混淆因子）同時影響脂肪攝取和乳癌死亡率。
2. 生態謬誤 (Ecological Fallacy)： 當我們使用群體層級的數據（例如國家平均值）來推論個體層級的關係時，容易犯生態謬誤。也就是說，即使在國家層級，平均脂肪攝取量與乳癌死亡率相關，也不能保證在個體層級，攝取較多脂肪的女性就一定有較高的乳癌死亡風險。可能存在其他解釋。
3. 可歸因危險性指標 (Attributable Risk, AR)： AR 衡量的是，在暴露人群中，由暴露因素所「可歸因」的疾病總病例數或死亡數的比例或絕對值。它需要知道暴露組和非暴露組的發生率或死亡率，以及暴露的普遍性。

選項分析：

(A) 相關係數不夠高，脂肪攝取並非乳癌的致因

• 說明： 0.6 的相關係數表示中等到強度的相關，並不能直接排除其為原因。有些因素可能只需要較低的相關係數就能產生巨大影響，或者 0.6 已經足夠強到引發進一步探討。更重要的是，相關性本身不證明因果，但也不能因為相關性不是 1 而直接否定因果關係。

核心觀念

本題考查三個重點：

1. 標準化死亡比（SMR）
2. 觀察性研究中的偏差與混雜
3. 因果關係判定中的時序性

標準化死亡比定義為：

$$SMR=\frac{\text{研究族群實際死亡數}}{\text{依標準族群死亡率推算的預期死亡數}}\times 100\%$$

若以比值表示，$SMR=2$ 代表糖尿病資料庫中的肝癌死亡數，是依全國同年齡層死亡率推算之預期死亡數的 $2$ 倍；若以百分比表示，則為 $200\%$。

SMR通常採用間接標準化（indirect standardization），亦即把標準族群的年齡別死亡率套用到研究族群的人年或人口結構上，計算預期死亡數，再與實際死亡數比較。

---

解題方法

本研究將糖尿病人資料庫視為研究族群，將全國死亡登記系統視為標準族群，進行外部比較：

1. 依糖尿病人各年齡層的人數或人年，套用全國相應年齡層的肝癌死亡率。
2. 加總各年齡層所得到的預期肝癌死亡數。
3. 以糖尿病人實際觀察到的肝癌死亡數除以預期死亡數。
4. 得到 $SMR=2$。

因此，本題中確實涉及年齡控制、混雜、選擇偏差及時序關係的判斷。

---

選項分析

(A) 本研究需要考慮干擾作用（confounding effect）——正確

糖尿病人與全國人口在年齡之外，可能還存在其他肝癌相關因素的差異，例如：

• B型或C型肝炎感染；
• 飲酒；
• 肥胖與脂肪肝；
• 吸菸；
• 社經地位與醫療利用情形。

若這些因素同時與糖尿病及肝癌死亡有關，且未被適當控制，就可能造成混雜，使觀察到的 $SMR=2$ 不完全代表糖尿病本身造成的風險增加。

年齡調整只能控制年齡混雜，不能自動排除其他混雜因素。因此仍需考慮混雜作用。

---

(B) 本研究需要考慮選擇偏差（selection bias）——正確

這是一道關於篩檢試驗評估指標的題目，涉及敏感度 (Sensitivity)、特異度 (Specificity)、陽性預測值 (Positive Predictive Value, PPV) 和陰性預測值 (Negative Predictive Value, NPV)。

已知資訊：

• 甲法： Sensitivity = 0.8, Specificity = 0.8
• 乙法： Sensitivity = 0.9, Specificity = 0.7

核心觀念：

• 敏感度 (Sensitivity)： 真正患病者被檢測為陽性的比例。高敏感度有助於「偵測」出盡可能多的陽性病例，減少漏診 (false negatives)。
• 特異度 (Specificity)： 真正未患病者被檢測為陰性的比例。高特異度有助於「排除」未患病者，減少誤診 (false positives)。
• 陽性預測值 (PPV)： 檢測為陽性者中，真正患病的比例。PPV = (True Positives) / (True Positives + False Positives)。
• 陰性預測值 (NPV)： 檢測為陰性者中，真正未患病的比例。NPV = (True Negatives) / (True Negatives + False Negatives)。
• PPV 和 NPV 的計算受到「盛行率」(Prevalence) 的影響。 在盛行率較高的群體中，PPV 較高；在盛行率較低的群體中，NPV 較高。

選項分析：

(A) 若考慮增加偵測早期癌症的比率，應使用乙法

• 說明： 「增加偵測早期癌症的比率」相當於減少漏診 (false negatives)，也就是盡可能找出所有患病者。這正是高敏感度 (Sensitivity) 的作用。
• 比較： 乙法 (Sensitivity=0.9) 的敏感度高於甲法 (Sensitivity=0.8)。
• 結論： 因此，若要增加偵測到早期癌症的機會（減少漏診），應選擇敏感度較高的乙法。此選項正確。

(B) 若考慮篩檢陽性之後，需要安排確診的人力與花費，應使用乙法

• 說明： 篩檢陽性後進行確診（如進一步檢查、手術、治療等）需要大量的人力與花費。如果篩檢方法產生了大量的假陽性 (false positives)，則會浪費大量資源在未患病者身上。
• 比較：
  • 甲法：Specificity = 0.8。假陽性率 (False Positive Rate, FPR) = 1 - Specificity = 1 - 0.8 = 0.2。
  • 乙法：Specificity = 0.7。假陽性率 (False Positive Rate, FPR) = 1 - Specificity = 1 - 0.7 = 0.3。
  • 乙法的特異度較低，假陽性率較高。這意味著乙法會產生更多的假陽性結果。
• 結論： 產生更多假陽性結果意味著需要對更多未患病者進行進一步的確診檢查，從而增加人力與花費。因此，若要減少確診階段的人力與花費（即減少假陽性），應選擇特異度較高的甲法，而非乙法。此選項錯誤。

(C) 若考慮提高陽性預測值（positive predictive value），應使用甲法

• 說明： 陽性預測值 (PPV) 是檢測為陽性者中，真正患病的比例。PPV 的公式為：
  $\text{PPV} = \frac{\text{Sensitivity} \times \text{Prevalence}}{\text{Sensitivity} \times \text{Prevalence} + (1-\text{Specificity}) \times (1-\text{Prevalence})}$
  其中 (1-Specificity) 是假陽性率 (FPR)。
• 比較：
  • 甲法：Sensitivity = 0.8, Specificity = 0.8, FPR = 0.2
  • 乙法：Sensitivity = 0.9, Specificity = 0.7, FPR = 0.3
• 分析： 為了提高 PPV，我們希望分子 (Sensitivity) 盡可能高，分母中的假陽性部分 ((1-Specificity) * (1-Prevalence)) 盡可能低。

這題是關於連續篩檢（tests in series）的策略。在連續檢驗中，只有當第一個檢驗結果為陽性時，才會進行第二個檢驗。

已知資訊（承上題）：

• 甲法： Sensitivity = 0.8, Specificity = 0.8
• 乙法： Sensitivity = 0.9, Specificity = 0.7

核心觀念：

• 連續檢驗 (Tests in Series)： 兩個檢驗都必須是陽性，才判定為陽性。
  • 整體敏感度 = Sens_1 * Sens_2
  • 整體特異度 = Spec_1 * Spec_2
  • 陽性預測值 (PPV) 顯著提高，因為需要通過兩個檢驗才能是陽性，減少了假陽性。
  • 總體篩檢會篩掉更多人，導致檢驗的陽性人數（需要進行第二階段篩檢的人數）顯著減少。
• 並行檢驗 (Tests in Parallel)： 只要其中一個檢驗為陽性，就判定為陽性。
  • 整體敏感度 = 1 - (1-Sens_1)*(1-Sens_2)
  • 整體特異度 = Spec_1 * Spec_2
  • 整體敏感度顯著提高，但特異度可能下降，PPV 顯著降低。

題目要求： 採用連續檢驗 (tests in series)。

分析連續檢驗的目標：
連續檢驗的主要目的是：

1. 提高陽性預測值 (PPV)： 確保陽性結果更可能是真實陽性。
2. 減少假陽性： 通過雙重篩檢，大大減少假陽性。
3. 降低第二階段篩檢的人數： 由於只有陽性結果者才進入第二階段，而連續檢驗能大幅減少假陽性，因此進入第二階段的人數會減少，從而節省資源。

選項分析：

(A) 應採行先甲後乙法，因可增加淨特異度（net specificity）

• 淨特異度： 在連續檢驗中，總體特異度是兩個檢驗特異度的乘積。
  • 先甲後乙：Spec_total = Spec_甲 * Spec_乙 = 0.8 * 0.7 = 0.56
  • 先乙後甲：Spec_total = Spec_乙 * Spec_甲 = 0.7 * 0.8 = 0.56
  • 兩者的總體特異度相同。
• 說明： 增加淨特異度（總體特異度）是連續檢驗的優點，但這裡的說法不一定是最主要的考量。

(B) 應採行先乙後甲法，因可增加淨敏感度（net sensitivity）

• 淨敏感度： 在連續檢驗中，總體敏感度是兩個檢驗敏感度的乘積。

這是一道關於評估診斷工具（胸部 X-ray）和判讀者之間一致性的題目，涉及信度（Reliability）和效度（Validity）的概念。

題目資訊：

• 疾病盛行率 (Prevalence) = 1/1000 = 0.001 (這在評估信度時通常不是直接使用的，但可能影響 PPV/NPV 的解釋)。
• 樣本量 (N) = 10000 人。
• 兩位醫師對同一批影像進行判讀。
• 判讀一致性百分比 (Percent Agreement) = 99%。

核心觀念：

• 信度 (Reliability)： 指測量或診斷結果的一致性或穩定性。如果重複測量或由不同評估者進行評估，結果是否相似。
  • 觀察者間信度 (Inter-rater reliability)： 指不同評估者之間判讀結果的一致性程度。
  • 觀察者內信度 (Intra-rater reliability)： 指同一評估者在不同時間判讀同一對象結果的一致性程度。
  • 一致性百分比 (Percent Agreement) 是衡量信度的一種簡單方式。99% 的一致性表示兩位醫師在 99% 的情況下給出了相同的判讀結果（陽性或陰性）。
• 效度 (Validity)： 指測量或診斷結果是否真正測量到它聲稱要測量的東西。也就是說，診斷結果的準確性。評估效度通常需要與「金標準」(gold standard) 進行比較。例如，X-ray 診斷的效度，需要與病理切片結果進行比較。
• 隨機一致性 (Agreement by Chance)： 即使兩位評估者隨機猜測，他們也可能在一定程度上達成一致。特別是當疾病盛行率非常低（很少有陽性病例）或非常高（很少有陰性病例）時，隨機一致性可能很高。百分比一致性沒有排除隨機因素的貢獻。

選項分析：

(A) 使用胸部 X-ray，觀察者間的效度（validity）極高

• 說明： 觀察者間一致性（99%）衡量的是信度，而不是效度。效度是指 X-ray 診斷結果與真實疾病狀態（金標準）的一致性。題目沒有提供 X-ray 與金標準比較的信息，所以無法推斷其效度。
• 結論： 此選項錯誤。

(B) 使用胸部 X-ray，觀察者間的信度（reliability）極高

• 說明： 99% 的判讀一致性百分比，在衡量觀察者間信度時，通常被認為是非常高的一致性。雖然百分比一致性沒有考慮隨機因素，但 99% 的絕對一致性本身就代表了極高的穩定性。
• 結論： 此選項正確。

(C) 分析針對大樣本，99%的一致性的估計值仍需考慮隨機（by chance）的影響

• 說明： 百分比一致性 (Percent Agreement) 的主要缺點是它沒有排除隨機一致性的部分。即使兩位醫師隨機判讀，也可能達到相當高的一致性，尤其是在判讀陰性結果時（因為陰性病例遠多於陽性病例）。
  • 在這個例子中，盛行率是 1/1000，意味著 10000 人中預計有 10 個陽性病例，9990 個陰性病例。
  • 如果兩位醫師都隨機猜測，他們在判讀這 9990 個陰性病例時，很可能達成很高的一致性。
  • 因此，99% 的一致性中，有多少是真實的一致（可信的）？又有多少是隨機造成的？這需要通過 Kappa 統計量等方法來評估，這些方法會扣除隨機一致的部分。
• 結論： 對於 99% 的一致性，特別是在樣本量大且盛行率低的情況下，確實需要考慮隨機因素的影響，以更準確地評估真實的信度。此選項正確。

(D) 以上皆非

• 說明： 由於選項 (B) 和 (C) 都是正確的推論，所以此選項錯誤。

這是一道關於流行病學中衡量疾病發生率的指標的題目。題目要求估計「10 年罹患糖尿病的機會（probability）」。

核心觀念：

• 發生密度 (Incidence Density, ID)： 也稱「發生率」(Incidence Rate)。衡量在特定時間段內，單位個體-時間內發生的新病例數。分母是所有個體暴露於風險的時間總和。它適用於追蹤研究，其中追蹤時間可能不同。
  $\text{ID} = \frac{\text{新病例數}}{\sum (\text{個體暴露於風險的時間)}}$
• 期盛行率 (Period Prevalence)： 在特定時間段內（例如一年或十年），人群中患有某疾病（包括新發病例和已患病例）的比例。它衡量的是「在某個時間點」或「在某個時間段內」的疾病現狀。
  $\text{Period Prevalence} = \frac{\text{在某時間段內患病者總數}}{\text{該時間段內該人群的總人口數}}$
• 累積危險性 (Cumulative Incidence, CI)： 也稱「發生率」(Incidence Rate) 或「風險」(Risk)。衡量在特定時間段內，一個原本健康的人群中，新發病例的比例。它假設在該時間段內，所有個體都處於相同的風險暴露時間（或假設追蹤到時間結束）。
  $\text{CI} = \frac{\text{在特定時間段內新發病例數}}{\text{在該時間段初的易感人群總數}}$
  CI 反映的是「機會」或「風險」，即在該時間段結束時，一個原本健康的人患病的比例。
• 危險比 (Hazard Ratio, HR)： 是在生存分析中使用的指標，用於比較兩個群體（例如暴露組和非暴露組）在任何時間點發生某事件（如疾病、死亡）的瞬時風險之比。它考慮了時間的影響。

這是一道關於解釋流行病學研究結果，特別是相對危險性 (RR) 指標的題目，並結合了疾病負擔、預防策略和危險因子管理的概念。

題目資訊：

• 一種高致死性慢性病，與兩種危險因子有關：病毒 X 慢性感染、抽菸。
• RR(病毒 X vs. 此病) = 10
• RR(抽菸 vs. 此病) = 2

核心觀念：

• 相對危險性 (RR)： 表示暴露組（如感染病毒 X 或抽菸者）罹患疾病的風險是參照組（未感染病毒 X 或未抽菸者）的多少倍。RR=10 表示感染病毒 X 者罹患該病的風險是未感染者的 10 倍；RR=2 表示抽菸者罹患該病的風險是未抽菸者的 2 倍。
• 疾病負擔 (Disease Burden)： 指疾病對社會健康和經濟造成的總體影響。它不僅取決於風險的增加程度 (RR)，還取決於危險因子在人群中的普遍性（盛行率, Prevalence）以及疾病本身的嚴重程度（致死性、致殘性等）。
• 預防策略： 針對不同危險因子，可以採取不同的預防措施。例如，疫苗接種針對感染性病原體，而戒菸計畫針對行為。
• 公衛介入的考量： 選擇哪種干預措施更有效，需要綜合考慮危險因子的 RR、盛行率以及干預措施的可行性和成本效益。

選項分析：

(A) 病毒 X 對此病的疾病負擔（disease burden）為抽菸的五倍

• 說明： 疾病負擔不僅取決於 RR，還取決於危險因子在人群中的盛行率 (Prevalence)。
  • RR(病毒 X) = 10
  • RR(抽菸) = 2
  • 病毒 X 的 RR (10) 顯著高於抽菸 (2)，這意味著病毒 X 是更強的危險因子。
  • 然而，我們不知道病毒 X 的慢性感染率在人群中的比例，也不知道抽菸的比例。
  • 如果抽菸在人群中非常普遍（高盛行率），即使 RR 較低，其對疾病總負擔的貢獻也可能非常大。反之，如果病毒 X 的感染率很低，即使 RR 很高，其對總體疾病負擔的貢獻也可能不如抽菸。
• 結論： 我們無法僅憑 RR 的比例（10 vs 2）來判斷疾病負擔的比例。因此，這個說法「五倍」是無法證實的，可能是錯誤的。

(B) 因抽菸為常見危險因子，戒菸計畫要比發展病毒 X 的疫苗更為重要

• 說明： 這個選項試圖從預防策略的角度進行權衡。
  • 抽菸 RR=2，病毒 X RR=10。病毒 X 是更強的危險因子。
  • 然而，「常見危險因子」是關鍵。如果抽菸的盛行率遠高於病毒 X 的感染率，那麼戒菸計畫（針對抽菸）可能能夠預防更多的病例，從而對公共衛生產生更大的影響。
  • 發展疫苗是針對病毒 X 的有效策略，但如果病毒 X 的感染率不高，其影響範圍就有限。

這是一道關於配對病例對照研究 (Matched Case-Control Study) 的數據分析題目，旨在計算勝算比 (Odds Ratio, OR)，並將其作為相對危險性 (Relative Risk, RR) 的估計值。

題目資訊：

• 研究設計：病例對照研究，採用 1:1 個別匹配。
• 病例數 (Cases) = 1000 名。
• 對照數 (Controls) = 1000 名。
• 匹配變項：年齡（±3 歲）、性別。
• 暴露變項：酒精攝取（exposed: 有攝取，unexposed: 無攝取）。
• 結果：疾病（老化疾病）。

數據表格解讀：
表格列出的是「匹配對」的數量。在 1:1 配對的病例對照研究中，我們關注的是：

1. 不一致對 (discordant pairs)： 病例暴露但對照未暴露 (Case exposed/Control unexposed)，或 病例未暴露但對照暴露 (Case unexposed/Control exposed)。
2. 一致對 (concordant pairs)： 病例和對照暴露相同（Case exposed/Control exposed），或 病例和對照暴露相同（Case unexposed/Control unexposed）。

在配對病例對照研究中，勝算比 (OR) 的計算公式為：

這是一道關於流行病學研究中「干擾作用」（Confounding）的題目。題目要求分析在控制了吸菸這個潛在干擾因子後，酒精攝取與疾病的關聯性會如何改變。

題目資訊：

• 研究對象：老化疾病與酒精攝取、吸菸的關係。
• 初步發現（來自上一題的配對病例對照研究）：酒精攝取是此疾病的危險因子 (OR = 2.5)。
• 新資訊：有喝酒習慣的人比無喝酒習慣的人更容易吸菸。
• 分析方法：使用 logistic regression 進行多變項分析，並控制年齡、性別、以及吸菸的作用。
• 問題：預測酒精攝取與疾病的相對危險性估計值（這裡指 OR）將有何改變。

核心觀念：

• 干擾作用 (Confounding)： 當一個第三個變數（干擾因子）同時與暴露（酒精攝取）和結果（疾病）相關，並且不是暴露與結果之間的因果鏈中的中間步驟時，它就會扭曲暴露與結果之間的真實關聯。
• 判斷干擾因子：
  1. 該因子必須與暴露相關（例如，喝酒的人更容易吸菸）。
  2. 該因子必須獨立於暴露，也是結果的危險因子（例如，吸菸本身是疾病的危險因子）。
  3. 該因子不能是暴露與結果之間的因果鏈中的中間步驟（例如，酒精攝取導致吸菸，吸菸導致疾病；這裡吸菸是中間步驟，不是干擾因子）。

分析本題：

1. 暴露： 酒精攝取。
2. 結果： 老化疾病。
3. 潛在干擾因子： 吸菸。
   • 是否與暴露相關？ 是的，「有喝酒習慣的人比無喝酒習慣的人更容易吸菸」。

這是一道關於流行病學中各種測度指標定義的題目，需要辨識出哪個敘述是錯誤的。

核心概念：

• 發生率 (Incidence Rate, IR) 或稱 發生密度 (Incidence Density, ID)：衡量在特定時間段內，單位個體-時間內發生的新病例數。單位是「事件/人-時間」（例如，每千人-年）。因此，其單位是「時間的倒數」（例如，1/年）。
• 盛行率 (Prevalence)：在特定時間點或時間段內，人群中患有某疾病的比例。它是無單位的比例，值介於 0 和 1 之間（或表示為百分比）。
• 累積危險性 (Cumulative Incidence, CI) 或稱 風險 (Risk)：在特定時間段內，一個原本健康的人群中，新發病例的比例。它是一個無單位的比例，值介於 0 和 1 之間。
• 族群可歸因危險分率 (Population Attributable Fraction, PAF)：指在總體人群中，由某個暴露因素所「可歸因」的疾病總病例數的比例。它可以從病例對照研究（特別是配對研究）中估計，通常使用 OR 來近似。
• 累積發生率 (Cumulative Incidence Rate)：這個術語比較少見，通常我們說的是「累積危險性 (Cumulative Incidence, CI)」，它是一個比例。而「發生率函數 (incidence function)」在連續時間模型中，通常指瞬時風險 (hazard rate)。

選項分析：

(A) 發生率（incidence rate）的單位為時間的倒數。

• 說明： Incidence Rate (IR) = (新病例數) / (總暴露人-時間)。例如，100 例新發病例，總暴露時間為 10,000 人-年，則 IR = 100/10000 人-年 = 0.01 /人-年。單位是「1/時間」。
• 結論： 此敘述正確。

(B) 盛行率（prevalence）無單位，其值介於 0 與 1 之間。

• 說明： Prevalence = (患病總數) / (總人口數)。這是一個比例，所以無單位，值介於 0 和 1 之間。
• 結論： 此敘述正確。

(C) 累積危險性（cumulative risk）無單位，其值介於 0 與 1 之間。

• 說明： Cumulative Incidence (CI) = (某時間段內新發病例數) / (該時間段初的易感人群總數)。這也是一個比例，無單位，值介於 0 和 1 之間。
• 結論： 此敘述正確。

(D) 族群可歸因危險分率（population attributable fraction）可由配對式病例對照研究（matched case-control study）求得。

這是一道關於流行病學中「幹擾作用」（Confounding）和「交互作用」（Interaction）概念的題目，需要辨識出哪個敘述是正確的。

核心概念：

幹擾作用 (Confounding)：
一個變數 X 是否為幹擾因子，需要滿足三個條件：

1. X 必須與暴露 (Exposure) 相關。
2. X 必須是結果 (Outcome/Disease) 的獨立危險因子（或保護因子）。
3. X 不能是暴露與結果之間因果鏈上的中間步驟。

交互作用 (Interaction)：
當暴露對結果的效應，依賴於第三個變數（稱為交互作用因子或修飾因子, effect modifier）的水平時，就存在交互作用。換句話說，暴露與結果之間的關聯性，在該第三個變數的不同層級上，其強度或方向是不同的。例如，某藥物對男性有效，但對女性無效。

選項分析：

(A) 某因子僅與曝露有關但與疾病無關，該因子即不會造成干擾作用。

• 說明： 根據幹擾因子的定義，它必須是結果的危險因子（或保護因子）。如果一個因子僅與暴露相關，但與疾病無關，它就不滿足第二個條件，因此不會造成幹擾作用。
• 結論： 此敘述正確。

(B) 某因子僅與疾病有關但與曝露無關，該因子亦可造成干擾作用。

• 說明： 根據幹擾因子的定義，它必須與暴露相關。如果一個因子僅與疾病有關，但與暴露無關，它就不滿足第一個條件，因此不會造成幹擾作用。
• 結論： 此敘述錯誤。

(C) 某因子與曝露和疾病皆有關，該因子即造成交互作用。

• 說明： 某因子與暴露和疾病都有關，是幹擾作用的必要條件。但這並不自動意味著交互作用。交互作用是指暴露對疾病的「效應大小或方向」，在該因子不同水平上「不同」。例如，吸菸（因子）和酒精攝取（暴露）都與肝癌（疾病）有關。

這是一道關於年齡標準化方法的題目，需要辨識出哪個敘述是錯誤的。

核心概念：

• 年齡標準化 (Age Standardization)： 為了比較不同年齡結構的兩個或多個人群的疾病率或死亡率，需要消除年齡結構差異的影響。
  • 直接法 (Direct Method)： 使用一個標準人口結構（如世界標準人口、某國總人口結構），分別計算出每個研究人群在標準人口結構下的「預期死亡人數」，然後計算出標準化死亡率。適用於各年齡組的死亡率都已知的情況。
  • 間接法 (Indirect Method)： 使用參照人群（如全國平均）的年齡別死亡率，應用到研究人群（如小地區）的年齡結構上，計算出「預期死亡人數」。然後用研究人群實際觀察到的死亡人數除以預期死亡人數，得到標準化死亡比 (SMR)。適用於研究人群的年齡別死亡率未知（或不穩定）但其總人口數和年齡結構已知的情況。
• 標準化死亡比 (SMR)： SMR = (觀察到的死亡數) / (預期死亡數)。它反映了研究人群的死亡率相對於參照人群的死亡率。SMR 的計算本身就是一種間接標準化。
• 迴歸分析中的協變量： 在迴歸模型中，將年齡作為一個變數（協變量）納入模型，可以控制年齡對結果變數的影響，從而間接達到年齡標準化的目的。

選項分析：

(A) 疾病發生率的國際比較，通常採用直接法（direct method）。

• 說明： 國際比較時，通常有一個被廣泛接受的標準人口結構（如世界標準人口），研究者會用這個標準人口結構來計算各國的標準化死亡率。這正是直接法的應用。
• 結論： 此敘述正確。

(B) 欲進行小地區（small area）死亡率與全國平均死亡率的比較，通常採用間接法（indirect method）。

核心觀念

巢式病例對照研究（nested case-control study）是嵌套在既有世代研究中的病例對照研究。研究者先建立一個沒有罹病的世代，再於追蹤期間出現病例時，從該病例發生當下仍處於「罹病風險中」的人員中抽取對照。

其主要特徵如下：

1. 暴露資料通常在疾病發生前已經蒐集，因此具有良好的時間先後關係。
2. 對照採用風險集抽樣（risk-set sampling）。
3. 對照日後仍可能成為病例。
4. 每名病例可配對一名或多名對照，比例不必固定。
5. 配對資料通常使用條件式邏輯迴歸分析。

解題方法

本題的判斷重點是：被抽中的對照日後罹病時，是否必須排除。

在風險集抽樣中，某病例於時間 $t$ 發生時，對照是從時間 $t$ 當下仍未罹病、且仍在研究中的人員抽取。此時被抽為對照者，代表的是「在該病例發生時仍具有發病風險的人」。

因此，若該對照者在較晚的時間 $t'>t$ 發病，他在時間 $t$ 仍然符合對照資格，且在時間 $t'$ 又可作為病例。這種設計稱為病例—對照身分轉換（case-control incidence density sampling），並不會造成偏差。

所以，主張「日後罹病就應排除」的選項錯誤。

選項分析

(A) 正確

巢式病例對照研究通常利用既有世代研究中，在疾病發生前已蒐集的暴露資料。

因此，暴露發生或被測量的時間早於疾病發生時間，能確立因果推論中的時間先後性（temporality）。

需注意，時間先後性是因果推論的必要條件之一，但僅具備時間先後性，仍不能單獨證明因果關係。

(B) 正確

對照組採用風險集抽樣（risk-set sampling）。

在每一個病例發生時間點，研究者從當時仍未發病、仍接受追蹤的人員中抽取對照。這些人員構成該時間點的風險集。