111 地方特考四等 衛生技術 流行病學概要 考古題詳解

核心觀念

本題旨在測驗流行病學中「疾病測量（Measures of Disease Frequency）」的核心定義、統計指標間的區分，以及指標在公共衛生評估上的目的與應用：

1. 發生風險（Risk）與個案比例（Proportion）的本質差異：

• 發生率／累積發生率（Incidence Rate / Cumulative Incidence）：衡量未罹病人口在特定期間內發生新疾病的機率或速度，其分母必須為「該族群的危險人口數（Population at risk）」。
• 個案構成比例（Proportion of Cases）：僅描述現有確診個案內部的人口學分佈，分母為「全部確診個案總數」，不能反映該群體發生疾病的危險性大小。

2. 死亡率（Mortality Rate）與個案致死率（Case Fatality Rate, CFR）的區分：

• 兩者的根本差異在於「分母不同」與「公衛意涵不同」。死亡率反映一般人口死於該病的威脅程度；致死率則反映病患感染後病情的嚴重度與致死毒力（Virulence / Severity）。

---

解題方法

（一）判斷 20～49 歲是否為發生 COVID-19 之高風險族群

判斷結果：此推論不正確。

理由說明：

1. 指標性質不同（混淆「比例」與「率」）：

• 表格中所提供的「該年齡層個案占所有個案比例」是個案百分比（Proportion of cases）： $\text{某年齡層個案比例} = \frac{\text{該年齡層確診個案數}}{\text{所有年齡層確診總個案數}} \times 100\%$ 該指標僅呈現「確診者族群的內部年齡結構」，分母為「全部感染者（8,060,464 人）」。
• 評估是否為「高風險族群」，必須依據年齡別累積發生率（Age-Specific Cumulative Incidence）或年齡別發生率（Age-Specific Incidence Rate）： $\text{年齡別發生率} = \frac{\text{特定年齡層之新發確診個案數}}{\text{該特定年齡層在該期間之暴露危險人口數（或年中人口數）}} \times 10^n$

2. 人口母數（分母效應）的干擾：

• 20～49 歲個案合計占所有個案的 $16.3\% + 17.6\% + 16.8\% = 50.7\%$，個案數偏高極可能是因為臺灣 20～49 歲的青壯年總人口母數原本就較大。
• 若某年齡層人口母數龐大，即使其真實感染機率（發生率）與其他年齡層相同甚至較低，其算出的個案絕對數與占總個案比例仍會偏高。

3. 暴露與通報行為的干擾（資訊偏差與篩檢偏差）：

• 20～49 歲多為就學與就業的主要勞動人口，社交活動頻繁、快篩與就醫通報意願較高，容易產生通報率較高的現象。在缺乏「各年齡層背景人口數」為分母的情況下，無法直接推論 20～49 歲具有較高的感染風險。

---

（二）比較臺灣各年齡層 COVID-19 死亡狀況的指標與目的

欲客觀比較各年齡層 COVID-19 的死亡影響，應根據評估目的使用以下流行病學指標：

1. 年齡別死亡率（Age-Specific Mortality Rate, ASMR）

• 定義與公式： $\text{年齡別死亡率} = \frac{\text{某特定年齡層因 COVID-19 死亡人數}}{\text{該特定年齡層之年中總人口數（或危險人口數）}} \times 100{,}000$
• 目的：
• 衡量「全體一般人口」在該年齡層中死於 COVID-19 的絕對人口死亡風險（Population Risk of Death）。

核心觀念

本題評量流行病學之「因果推論判定準則」與「研究設計階層證據之整合」，主要核心觀念包括：

1. 希爾因果關係準則（Bradford Hill Criteria）：

• 時序性（Temporality）：因先於果，暴露必須發生在疾病出現之前（因果關係中最關鍵且唯一的必要條件）。
• 關聯強度（Strength of Association）：以危險比／風險比（Hazard Ratio, $HR$）量化關聯幅度，數值越大，因混淆因子或偏差造成的可能性越低。
• 一致性（Consistency）：在不同族群、不同樣本大小或不同研究階段中重現相似結果。
• 生物合理性與致病機轉（Biological Plausibility & Coherence）：流行病學統計關聯與細胞、分子生物學或病理學發現相吻合。

2. 測量誤差與資訊偏差（Information Bias）：

• 使用精準度較低的工具（如試紙法）會造成非差異性分類錯誤（Non-differential misclassification），通常會將關聯強度低估並偏向虛無假設（Bias toward the null）。當改用高精確度檢測時，效應值回升（$HR$ 從 $1.40$ 提升至 $2.00$），可進一步驗證真實因果關聯的存在。

3. 混合型與多階段研究設計（Multistage Study Design）：

• 結合宏觀人群的前瞻式世代研究（Prospective cohort study）與微觀組織層次的巢式病例對照研究（Nested case-control study），建立從「群體關聯」到「組織分子病理」的完整因果證據鏈。

---

解題方法

本題切入點應鎖定「三階段研究架構如何逐一補足因果推論要素」，解題邏輯分為以下層次：

1. 第一階段（50 萬人前瞻世代）：確立時序性與群體關聯初探

• 前瞻式世代研究於起點確認無癌症之健康個體，並記錄其 HBsAg 狀態，歷經長期追蹤後觀察胃癌發生，保證「HBV 感染在先，胃癌發生在後」，確立了無可取代的時序性。
• 初步獲得胃癌之 $HR = 1.40$，顯示 HBV 感染者罹患胃癌的風險高於非感染者，展現初步關聯。

2. 第二階段（5 萬人驗證世代＋精確檢測）：驗證一致性與校正偏差

• 一致性：在獨立的 5 萬人族群中重現此一正向關聯。
• 偏誤校正與關聯強度強化：初次研究使用的試紙法敏感度與特異度相對較低，產生非差異性分類錯誤，導致估計值被稀釋；第二階段改用高精度血清檢測後，誤差減少，$HR$ 由 $1.40$ 顯著上升至 $2.00$，確認原先關聯並非隨機誤差或檢測偏誤，進一步強化了關聯強度。

3. 第三階段（100 例胃癌組織之巢式病例對照研究）：提供分子生物學證據

• 巢式病例對照研究兼具世代研究之母群體代表性，並透過胃癌病理切片檢測出 HBV DNA 與蛋白質。
• 這直接證明了 HBV 病毒已實質侵入胃黏膜上皮組織並進行基因複製與蛋白表達，提供了強而有力的生物合理性與直接病理生理機轉，填補流行病學統計關聯（黑盒子）與疾病病因之間的空白。

---

選項分析（申論各研究設計環節深度解析）

本題為申論題，題目所給之三個研究階段為判定因果關係的關鍵證據環節，逐層剖析如下：

• 環節一：50 萬人試紙法前瞻式世代研究（$HR = 1.40$）

• 流行病學貢獻：具備龐大樣本數與強大統計檢定力（Statistical power），能偵測罕見癌症結局；在前瞻追蹤架構下，徹底解決病例對照研究常見之回憶偏差（Recall bias）及橫斷研究無法判定先後順序的缺陷，滿足因果推論之時序性。

• 方法限制：篩檢試紙法可能有較高的偽陰性或偽陽性率，造成非差異性暴露分類錯誤，使測得之 $HR=1.40$ 偏向保守（低估）。

• 環節二：5 萬人高精確度前瞻式世代驗證研究（$HR = 2.00$）

• 流行病學貢獻：扮演「獨立重複驗證」角色，滿足一致性。

核心觀念

本題為流行病學經典之「研究設計判定」與「分層分析（Stratified Analysis）」題型，評量重點包含：

1. 巢式病例對照研究（Nested Case-Control Study）：

• 定義：在一個既有的前瞻性世代研究（Prospective Cohort Study）追蹤過程中，當世代成員發生目標疾病（病例）時，從同一時間點尚未罹病的世代成員中隨機抽取對照者，所進行的病例對照研究。
• 抽樣機制：題目述及「在每一名頭頸癌被診斷出來時，從未罹患任何癌症的個案中選取一名健康對照」，此為典型的**發生率密度抽樣（Incidence Density Sampling / Risk Set Sampling）**配對設計。

2. 勝算比（Odds Ratio, $OR$）：

• 評估病例對照研究中暴露與疾病關聯強度的指標。四格表公式為： $OR = \frac{a \times d}{b \times c}$ 其中 $a$ 為暴露病例數、$b$ 為暴露對照數、$c$ 為非暴露病例數、$d$ 為非暴露對照數。

3. 干擾因子（Confounder）與效應修飾因子（Effect Modifier）之判斷流程：

• 第一步：評估效應修飾（Effect Modification） 檢視各分層勝算比（Stratum-specific $OR$，即 $OR_1$ 與 $OR_2$）是否相等（同質性檢定，Test of Homogeneity）：
• 若 $OR_1 \neq OR_2$：表示暴露對疾病的效應大小隨第三變數狀態不同而改變，存在交互作用（Interaction），該第三變數為效應修飾因子（Effect Modifier）。此時不應進行合併調整，必須分別呈現各分層的效應。
• 若 $OR_1 \approx OR_2$：表示無效應修飾，可進入第二步評估干擾效應。
• 第二步：評估干擾作用（Confounding） 若分層效應具同質性，則計算曼特爾－亨塞爾加權合併勝算比（Mantel-Haenszel Adjusted Odds Ratio, $OR_{MH}$），並與未分層的粗勝算比（Crude Odds Ratio, $OR_{crude}$）比較：
• 若 $OR_{crude} \neq OR_{MH}$（通常相對差異達 $10\%$ 以上），且該因子非暴露與疾病之中介因子，則為干擾因子（Confounder）。

---

解題方法

子題一：研究設計類型及其優點

1. 研究設計判定：

• 本研究利用 2010 年起建立之 200,000 人社區整合性篩檢世代，追蹤至 2020 年累積 200 名新發頭頸癌個案。
• 在每位病例確診時，由當時無癌個案中採 1:1 風險集配對抽取健康對照（即關聯密度抽樣），並利用世代起始（2010年）即已留存的血液檢體與問卷回溯分析。
• 此設計確立為巢式病例對照研究（Nested Case-Control Study）。

2. 研究優點：

• 時序性明確（Clear Temporality）：問卷與血液檢體於研究起始（2010年，健康時）即已收集，暴露測量先於疾病發生，確立「先因後果」之時序關係。
• 減少回憶偏差與資訊偏差（Minimal Recall / Information Bias）：暴露變數於發病前即已記錄存檔，不受罹病後心理狀態或記憶模糊影響。
• 極具成本效益（Cost-Effective & Time-Saving）：世代母群體多達 200,000 人，僅需針對 200 名病例與 200 名對照（共 400 人）進行昂貴的酒精代謝基因定序分析，大幅節省經費與實驗時間。
• 減少對照組選擇偏差（Reduced Selection Bias）：對照組直接抽樣自產生病例的同一個動態世代，兩者來源母群體完全相同，代表性極佳。
• 勝算比可無偏估計發生率比（Direct Estimation of Rate Ratio）：透過發生率密度抽樣（Incidence Density Sampling），計算所得之 $OR$ 可直接估計世代追蹤的發生率比（Incidence Rate Ratio, $IRR$），無需罕見疾病假設（Rare Disease Assumption）。

---

子題二：不考慮酒精代謝基因狀況之下，飲酒對於頭頸癌的相關性（粗勝算比 $OR_{crude}$）

將兩分層資料合併，建立不分層之整體 $2 \times 2$ 列聯表：

飲酒狀況	頭頸癌病例	健康對照	合計
有飲酒	$85 + 60 = 145$	$60 + 40 = 100$	245
無飲酒	$15 + 40 = 55$	$40 + 60 = 100$	155
合計	200	200	400

計算粗勝算比（Crude Odds Ratio, $OR_{crude}$）： $OR_{crude} = \frac{145 \times 100}{55 \times 100} = \frac{145}{55} = \frac{29}{11} \approx 2.64$

相關性說明： 在不考慮酒精代謝基因狀況下，有飲酒者罹患頭頸癌的勝算（Odds）是無飲酒者的 $2.64$ 倍，呈現統計上的正相關（飲酒為頭頸癌之危險因子）。

---

子題三：判定酒精代謝基因為干擾因子或修飾因子

1. 計算各分層之勝算比（Stratum-Specific $OR$）

• 第一層：酒精代謝基因缺陷（Gene Defect） 列聯表：
• 病例組：有飲酒 $85$ 人，無飲酒 $15$ 人
• 對照組：有飲酒 $60$ 人，無飲酒 $40$ 人

$OR_1 = \frac{85 \times 40}{15 \times 60} = \frac{3400}{900} = \frac{34}{9} \approx 3.78$

• 第二層：酒精代謝基因正常（Gene Normal） 列聯表：
• 病例組：有飲酒 $60$ 人，無飲酒 $40$ 人

核心觀念

本題評量診斷與篩檢工具之效能評估指標，為流行病學四等與三等特考必考題型，核心觀念包含：

1. 診斷試劑之內在效度（Intrinsic Validity）：

• 敏感度（Sensitivity, $Se$）：真正有病者被篩檢檢測為陽性的機率，衡量工具「抓出病人」的能力。 $Se = P(T^+ \mid D^+) = \frac{TP}{TP + FN}$
• 特異度（Specificity, $Sp$）：真正無病者被篩檢檢測為陰性的機率，衡量工具「排除非病人」的能力。 $Sp = P(T^- \mid D^-) = \frac{TN}{TN + FP}$
• 註：敏感度與特異度屬於篩檢試劑本身的內在特性，理論上不隨族群疾病盛行率改變。

2. 診斷試劑之外在效度／預測值（Predictive Value）：

• 陽性預測值（Positive Predictive Value, PPV）：篩檢結果為陽性的人中，真正罹患該疾病的機率。 $PPV = P(D^+ \mid T^+) = \frac{TP}{TP + FP}$

3. 貝氏定理（Bayes' Theorem）與盛行率之關係： 當母群體盛行率（$P(D^+) = P$）改變時，陽性預測值隨之變動，計算公式為： $PPV = \frac{P \times Se}{P \times Se + (1 - P) \times (1 - Sp)}$
4. 陽性率（Positivity Rate）之概念辨析： 流行病學中「陽性率」包含受檢者的「篩檢陽性率（Test Positivity Rate）」以及臨床實務常指的「陽性預測值（PPV）」，答題時應兼顧兩者面向。

---

解題方法

步驟一：整理 $2 \times 2$ 四格表之標準參數

以 RT-PCR 結果為黃金標準（確診依據，$D^+$ 與 $D^-$），快速篩檢試劑為檢驗工具（$T^+$ 與 $T^-$）：

快速篩檢試劑	RT-PCR 陽性 ($D^+$)	RT-PCR 陰性 ($D^-$)	合計
陽性 ($T^+$)	真陽性 ($TP$) = $170$	偽陽性 ($FP$) = $40$	$TP + FP = 210$
陰性 ($T^-$)	偽陰性 ($FN$) = $30$	真陰性 ($TN$) = $760$	$FN + TN = 790$
合計	$D^+ = 200$	$D^- = 800$	總受檢數 $N = 1000$

---

步驟二：各小題計算推導

1. 計算敏感度（Sensitivity）與特異度（Specificity）

• 敏感度（Sensitivity）： $Se = \frac{TP}{TP + FN} = \frac{170}{200} = 0.85 = 85\%$
• 特異度（Specificity）： $Sp = \frac{TN}{TN + FP} = \frac{760}{800} = 0.95 = 95\%$

2. 計算原受檢群體之陽性預測值（PPV）

「某人篩檢為陽性，此人真正得到 COVID-19 的機率」即為陽性預測值 $P(D^+ \mid T^+)$： $PPV = \frac{TP}{TP + FP} = \frac{170}{170 + 40} = \frac{170}{210} = \frac{17}{21} \approx 0.8095 = 80.95\%$

3. 當疾病盛行率為 $40\%$ 時，真正罹病的機率

此時疾病盛行率 $P = 40\% = 0.4$。由於敏感度（$Se = 0.85$）與特異度（$Sp = 0.95$）為試劑固定特性，代入貝氏定理： $PPV = \frac{P \times Se}{P \times Se + (1 - P) \times (1 - Sp)}$ $PPV = \frac{0.4 \times 0.85}{0.4 \times 0.85 + (1 - 0.4) \times (1 - 0.95)} = \frac{0.34}{0.34 + 0.6 \times 0.05} = \frac{0.34}{0.34 + 0.03} = \frac{0.34}{0.37} = \frac{34}{37} \approx 0.9189 = 91.89\%$

4. 詳述影響陽性率的因子

在公共衛生與流行病學中，「陽性率」依語境可指「篩檢陽性率（Test Positivity Rate）」或「陽性預測值（Positive Predictive Value）」，影響因子分述如下：

(A) 影響「篩檢陽性率（Test Positivity Rate, $P(T^+)$）」之因子：