112 高普考高考三級 衛生行政 流行病學 考古題詳解

核心觀念

本題評量流行病學之兩大核心基礎：

1. 年齡干擾效應（Age Confounding）與率的標準化（Rate Standardization）：

• 粗率（Crude Rate）：族群中全體事件數除以全體人時（或總人口數），其數值受「各年齡層別特定率（Age-specific rate, $I_i$）」與「族群年齡人口結構權重（$w_i = N_i / N$）」之雙重影響： $\text{Crude Rate} = \sum (I_i \times w_i)$
• 年齡標準化率（Age-Standardized Rate, ASR）：固定使用一組「標準人口結構權重（$w_{s,i} = N_{s,i} / N_s$）」進行直接標準化，藉以消除兩族群因年齡結構差異所導致的干擾（Confounding）： $\text{ASR} = \sum (I_i \times w_{s,i})$
• 辛普森悖論（Simpson's Paradox）：當干擾因子（如年齡）在兩比較組間分佈極不均勻時，可能造成粗率與層化／標準化率的方向呈現完全相反的現象。

2. 盛行率（Prevalence）、發生率（Incidence）與平均病程（Duration）之動態平衡關係：

• 在族群處於動態穩定狀態（Steady state）且疾病盛行率不高（如 $< 10\%$）的情形下，盛行率（$P$）、發生率（$I$）與平均病程或平均存活時間（$D$）具備以下近似關係： $P \approx I \times D \quad \left(\text{精確勝算式為：} \frac{P}{1 - P} = I \times D\right)$
• 盛行率高低取決於「新病例流入（發生率）」與「病例流出（死亡或痊癒）的速度（即病程長短）」。

---

解題方法

第一部分：說明何以男、女性中風發生率高低在粗率與標準化率方向不一致

1. 數據現象剖析：

• 發生率粗率：女性（$166.92$ 每 10 萬人年）$>$ 男性（$149.12$ 每 10 萬人年）。
• 發生率年齡標準化率：男性（$151.10$ 每 10 萬人年）$>$ 女性（$149.75$ 每 10 萬人年）。
• 方向出現逆轉，顯示「年齡」在性別與中風發生的關係中扮演了混淆干擾因子（Confounder）。

2. 成因推導與機制說明：

• 中風與年齡的關聯：中風屬於高度年齡依賴性疾病，其年齡別特定發生率（$I_i$）隨年齡增長而呈指數型或顯著大幅上升。
• 性別間年齡結構差異：一般族群中，女性之平均餘命普遍高於男性，因此女性族群中高齡人口所佔比例顯著高於男性（女性高齡層權重 $w_{i,\text{女}} > w_{i,\text{男}}$）。
• 粗率被年齡結構拉高：計算粗率時，女性族群由於高齡人口比重大，將高發生率的高齡層賦予極大權重，導致女性整體的「粗發生率」被嚴重拉高，超越男性。
• 標準化消除干擾呈現真實風險：以相同之標準人口結構校正（消除年齡分佈差異）後，反映出在相同年齡層下，男性的年齡別中風特定發生率多數高於女性（男性具有較多血管危險因子如吸菸、高血壓等），因此男性的「年齡標準化發生率」高於女性。此現象即為流行病學典型的「辛普森悖論（Simpson's Paradox）」。

---

第二部分：說明男性年齡標準化發生率高於女性，但盛行率卻低於女性的原因

1. 數據現象剖析：

• 年齡標準化發生率（$I_{\text{std}}$）：男性（$151.10$）$>$ 女性（$149.75$）。
• 年齡標準化盛行率（$P_{\text{std}}$）：男性（$1,150.19$）$<$ 女性（$1,316.73$）（粗盛行率亦為女性遠高於男性）。

2. 核心原理推導：

• 依據動態平衡公式： $P \approx I \times D \implies D \approx \frac{P}{I}$

核心觀念

本題評量流行病學中「診斷與篩檢工具之效度評估（Validity of Screening Tests）」及「多重篩檢試驗（Multiple Screening Tests）的合併判讀」：

1. 單一試劑效度指標：

• 敏感度（Sensitivity, $Se$）：在實際患病者（$D^+$）中，檢測結果呈陽性（$T^+$）的機率。 $Se = P(T^+ \mid D^+) = \frac{TP}{TP + FN} = 1 - \frac{FN}{D^+}$
• 特異度（Specificity, $Sp$）：在實際無病者（$D^-$）中，檢測結果呈陰性（$T^-$）的機率。 $Sp = P(T^- \mid D^-) = \frac{TN}{TN + FP} = 1 - \frac{FP}{D^-}$
• 其中，$TP$ 為真陽性、$FN$ 為假陰性、$FP$ 為假陽性、$TN$ 為真陰性。

2. 多重篩檢之「並聯檢測」（Parallel Testing）：

• 判定準則：兩項檢驗同時施測，只要任一試劑呈陽性，整體判定即為陽性（$T_{\text{net}}^+ = A^+ \cup B^+$）；僅當兩者皆為陰性時，整體判定才為陰性（$T_{\text{net}}^- = A^- \cap B^-$）。
• 流行病學特性：並聯篩檢主要用於避免漏診（減少假陰性），可提高整體敏感度，但伴隨降低整體特異度的代價。
• 條件獨立性假設（Conditional Independence）：題目未提供受試者個體交叉列聯表時，依常規假設兩試劑在已知患病與否的條件下結果互相獨立。

---

解題方法

一、計算試劑 $A$ 與試劑 $B$ 的敏感度與特異度

本題已知受試者包含確診者 $100$ 名（$D^+ = 100$）與未感染者 $100$ 名（$D^- = 100$）。

(一) 快篩試劑 $A$

• 確診者（$D^+ = 100$）：
• 假陰性個數 $FN_A = 10$
• 真陽性個數 $TP_A = 100 - 10 = 90$
• 敏感度： $Se_A = \frac{TP_A}{D^+} = \frac{90}{100} = 0.90 \text{ 或 } 90\%$
• 未感染者（$D^- = 100$）：
• 假陽性個數 $FP_A = 13$
• 真陰性個數 $TN_A = 100 - 13 = 87$
• 特異度： $Sp_A = \frac{TN_A}{D^-} = \frac{87}{100} = 0.87 \text{ 或 } 87\%$

(二) 快篩試劑 $B$

• 確診者（$D^+ = 100$）：
• 假陰性個數 $FN_B = 16$
• 真陽性個數 $TP_B = 100 - 16 = 84$
• 敏感度： $Se_B = \frac{TP_B}{D^+} = \frac{84}{100} = 0.84 \text{ 或 } 84\%$
• 未感染者（$D^- = 100$）：
• 假陽性個數 $FP_B = 0$
• 真陰性個數 $TN_B = 100 - 0 = 100$
• 特異度： $Sp_B = \frac{TN_B}{D^-} = \frac{100}{100} = 1.00 \text{ 或 } 100\%$

---

二、合併使用（並聯檢測）後的敏感度與特異度

題目設定「只要其中一個結果呈陽性，最終結果即為陽性」，此為典型並聯檢測（Parallel Testing）。

核心觀念

本題為流行病學「病例對照研究」（Case-Control Study）中，評估「交互作用」（Interaction / Effect Modification）與「干擾作用」（Confounding）的經典計算題型。涉及之核心概念如下：

1. 勝算比（Odds Ratio, $OR$）： 病例對照研究之基本關聯性衡量指標。對於暴露組與非暴露組的 $2 \times 2$ 表： $OR = \frac{a \times d}{b \times c}$
2. 累乘模式（Multiplicative Model）與交互作用： 在累乘模式下，若兩危險因子無交互作用，則兩因子同時存在的聯合效應（$OR_{11}$）應等於兩因子各自單獨存在時之邊際效應的乘積： $OR_{11} = OR_{10} \times OR_{01}$ 等價於：在不同干擾變項分層下，主要暴露因子的分層勝算比相等（同質性，Homogeneity of Odds Ratios），即分層勝算比比值（Ratio of Odds Ratios, $ROR$）等於 $1$： $ROR = \frac{OR_{S+}}{OR_{S-}} = 1.0$
3. 干擾因子（Confounder）的三大判定條件：

• 必須為目標疾病的獨立危險因子（在非暴露組中，潛在干擾因子與疾病具統計相關）。
• 必須與主要暴露因子相關（在對照組或源母群中，兩因子之分布具相關性）。
• 不可為主要暴露導致目標疾病之因果鏈上的中介因子（Intermediate factor）。

4. 干擾效果之量化判定： 若無效果修飾（分層 $OR$ 相等），比較未調整的粗勝算比（$OR_{\text{crude}}$）與調整後勝算比（$OR_{\text{adj}}$）：

• 若 $OR_{\text{crude}} \neq OR_{\text{adj}}$，表示存在干擾作用（Confounding）。

---

解題方法

第一部分：利用累乘模式說明是否有交互作用

可透過兩種等價的流行病學標準方法進行推導與說明：

方法一：以單一基準對照組計算各組聯合勝算比（四組分析法）

以「不吸菸（$S-$）且無 $PM_{2.5}$ 過度暴露（$PM-$）」作為共同參考組（Reference group）：

1. 基準參考組（$PM- / S-$）：

• 病例數 $= 45$，對照數 $= 120$
• $OR_{00} = 1.00$

2. 僅 $PM_{2.5}$ 過度暴露組（$PM+ / S-$）：

• 病例數 $= 12$，對照數 $= 20$
• $OR_{10} = \frac{12 \times 120}{45 \times 20} = \frac{1440}{900} = 1.60$

3. 僅吸菸組（$PM- / S+$）：

• 病例數 $= 45$，對照數 $= 80$
• $OR_{01} = \frac{45 \times 120}{45 \times 80} = \frac{5400}{3600} = 1.50$

4. 同時吸菸且 $PM_{2.5}$ 過度暴露組（$PM+ / S+$）：

• 病例數 $= 18$，對照數 $= 20$
• $OR_{11} = \frac{18 \times 120}{45 \times 20} = \frac{2160}{900} = 2.40$

累乘模式檢定：

• 累乘模式之期望聯合勝算比： $OR_{10} \times OR_{01} = 1.60 \times 1.50 = 2.40$
• 實際觀察聯合勝算比： $OR_{11} = 2.40$
• 結論：因為 $OR_{11} = OR_{10} \times OR_{01}$，兩者完全吻合，顯示 $PM_{2.5}$ 過度暴露與吸菸在累乘尺度下無交互作用（No multiplicative interaction）。

---

方法二：計算分層勝算比（Stratum-Specific $OR$）

檢視在不同吸菸狀態下，$PM_{2.5}$ 暴露與肺癌的關聯強度：

1. 吸菸者分層（$S+$）： $OR_{PM|S+} = \frac{18 \times 80}{45 \times 20} = \frac{1440}{900} = 1.60$
2. 不吸菸者分層（$S-$）： $OR_{PM|S-} = \frac{12 \times 120}{45 \times 20} = \frac{1440}{900} = 1.60$

結論： 兩分層之勝算比相等（$OR_{PM|S+} = OR_{PM|S-} = 1.60$），勝算比比值 $ROR = \frac{1.60}{1.60} = 1.00$，表示吸菸並未修飾 $PM_{2.5}$ 與肺癌之間的關聯強度，因此在累乘模式下無交互作用（無效果修飾作用）。

---

第二部分：說明吸菸是否扮演干擾因子的角色

1. 檢驗干擾因子的三項先決條件

• 條件一：吸菸是否為肺癌的獨立危險因子？ 在無 $PM_{2.5}$ 暴露之人群中，吸菸與肺癌之勝算比為：

核心觀念

本題評量流行病學中研究設計之因果推論能力與**系統性誤差（偏差，Bias）**的辨識與分析。

1. 偏差的三大分類：

• 選擇偏差（Selection Bias）：研究對象之選取或分組過程不當，導致觀察組與對照組在與研究假說無關的特質上產生系統性差異。
• 資訊偏差（Information Bias / 測量偏差）：暴露或疾病狀態的測量、收集或分類發生錯誤（Misclassification）。
• 干擾偏差（Confounding Bias）：存在同時與暴露因子（年齡）及結果變項（車禍）相關，且非介於兩者因果鏈之中間變項的干擾因子（Confounder），導致暴露與結果之關聯被扭曲。

2. 發生率（Incidence）的分母定義：

• 累積發生率（Cumulative Incidence）之分母必須為「具備發生該事件之風險人羣（Population at risk）」。若以未暴露於駕駛行為之全體社區人口為分母，會造成發生率估計之嚴重扭曲。

3. 因果推論的過度推論（Over-interpretation）：

• 觀察到「年齡」與「車禍發生率」具有統計關聯性（$RR = 3$），但研究人員未直接測量「反應時間」與「機動車輛操作能力」，直接推斷機轉屬於未經實證支持的假說跳躍。

---

解題方法

本題研究人員僅根據社區年齡分組、性別匹配後之一年車禍發生率數據（長者 $60 / 2000 = 0.03$，對照組 $20 / 2000 = 0.01$，$RR = 3$），即逕行推論「高齡長者反應與操作能力下降導致車禍風險增加」。解題切入點應依序從干擾因子、資訊／測量誤差、選擇／分母定義偏差及因果推論缺陷四個維度，結合題目具體情境（機車與汽車混合、社區母體、一年追蹤）深入剖析：

1. 干擾偏差（Confounding）：

• 尋找除了「年齡增長引起的反應力下降」之外，哪些因子同時影響駕駛車禍風險且在兩組間分佈不均（如：行駛里程、車種、用藥、共病、行駛環境等）。

2. 資訊偏差（Information Bias）：

• 探討「車禍」與「駕駛狀況」如何被通報與記錄，兩組是否存在通報程度或回憶能力的差異。

3. 選擇偏差與分母問題（Selection Bias & Denominator Definition）：

• 檢視 2,000 位社區居民是否皆為「實際駕駛者」，若非每個人都駕車，則「非駕駛者」混入分母會嚴重偏誤真實駕駛發生率。

4. 因果機轉之臆測（Mechanistic Fallacy）：

• 指出中間變項（反應力與操作能力）未經客觀工具評估，無法確認關聯性是否真由此機轉介導。

---

選項分析

本題為申論題（非選擇題），無既定選項。以下針對題目論述、研究數據及研究人員推論進行「論點拆解與盲點檢驗」：

1. 論點一：「研究計算發生率長者為 $0.03$、對照組為 $0.01$，相對危險性為 $3$」之盲點：

• 錯誤的分母設定：表列分母為「社區長者 2,000 人」，但並非所有社區長者在 2022 年皆有實際上路駕駛。若 65～74 歲長者僅有 500 人實際駕車（事故率 $60/500 = 12\%$），而 55～64 歲對照組有 1,500 人駕車（事故率 $20/1500 \approx 1.33\%$），則實際駕駛者的相對危險性可能更高；反之，若長者駕車比例高而對照組極低，相對危險性則被高估。以總人口代替「駕車暴露人口」，犯了「風險人口定義不當」的偏差。

2. 論點二：「長者車禍風險高，是因為反應與操作機動車輛能力下降」之盲點：

• 未測量中間機制：反應時間、肢體靈活度、動態視力等未曾進行生理學或神經心理學檢測。
• 忽略慢性病與藥物影響：高齡族群常見心血管疾病、退化性關節炎、白內障、青光眼，以及服用降血壓藥、鎮靜安眠藥、降血糖藥（可能誘發低血糖發作）等，這些臨床因素皆可提高車禍風險，若未控制，會將病理或藥物效果誤歸因於生理自然老化。

---

解題技巧

1. 答題架構化：評閱流行病學申論題時，閱卷老師尋找的是「標準流行病學名詞（干擾、選擇、資訊偏差）」加上「題目情境的精準套用」。切忌通篇僅用通俗語言描述（如「老人開車少、視力差」），務必標明所屬偏差類別。
2. 必備答題口訣「選、資、擾」：