110 專技高考高等考試 公共衛生師 流行病學 考古題詳解

核心觀念

本題考查以流行病學方法評估人口篩檢服務的成效。評估不能只計算篩檢人次，而要從服務執行情形、中間結果到健康結果，檢視服務是否觸及目標人口、陽性者是否完成診斷與治療，以及疾病與死亡負擔是否改善。

評估可分為三個層次：

• 執行過程：篩檢涵蓋情形、陽性個案追蹤及後續治療。
• 中間結果：癌前病變或早期癌症的發現、診斷與治療時效。
• 健康結果：癌症發生率、晚期癌症比例、癌症死亡率及族群間差異。

四癌篩檢包括乳癌、子宮頸癌、大腸癌及口腔癌。各癌別的篩檢工具與目標族群不同，應分癌別分析，不宜將四癌合併為單一篩檢率。

解題方法：資料蒐集、指標計算與分析設計

一、界定目標人口與評估期間

依命題當年各癌別的篩檢資格，界定符合資格的目標人口及觀察期間，並說明採年度或指定期間計算。同一人重複篩檢時，應區分受檢人數與篩檢人次。

二、蒐集並串聯資料

• 篩檢資料：癌別、篩檢日期、篩檢方法與結果、服務機構及受檢者特徵。
• 診斷與治療資料：陽性後確認檢查、病理結果、癌症期別、治療情形及日期。
• 癌症登記資料：新發個案、診斷期別及診斷日期。
• 死因資料：癌症死因及死亡日期。
• 人口與背景資料：符合資格人口數、年齡、性別、地區及社經特徵。

串聯資料後，可追蹤「篩檢—確認診斷—治療—癌症發生—死亡」的歷程，並處理重複紀錄、資料缺漏及失訪情形。

三、計算核心指標

篩檢涵蓋率衡量符合資格人口中實際接受篩檢的比例：

篩檢人次可另作服務量指標，但不能取代以人數計算的涵蓋率。

陽性率衡量受檢者中篩檢結果陽性的比例：

陽性個案追蹤完成率衡量陽性者是否完成確認診斷：

亦可計算陽性者完成治療的比例，以及陽性至確認診斷、診斷至治療的時間。

癌症偵測率可用每千名受檢者中篩檢發現的癌症個案數呈現，並說明癌症個案的認定方式及追蹤時間窗：

早期癌症比例衡量篩檢發現的癌症中，早期癌症所占比例：

核心觀念

本題考查的是診斷與篩檢工具的效度、信度，以及盛行率對篩檢結果解讀的影響。政府評估以快篩作為社區防疫策略時，不能只看「快不快」或單一的準確率，而須同時考量檢驗性能、受檢族群的感染盛行率、篩檢目的、後續確認流程與公共衛生效益。

以疾病的實際狀態和檢驗結果整理成四格表：

常用指標如下：

敏感度表示實際感染者中被檢出陽性的比例；敏感度愈高，漏掉感染者的比例愈低。

特異度表示實際未感染者中被檢出陰性的比例；特異度愈高，誤把未感染者判成陽性的比例愈低。

PPV 表示快篩陽性者中確實感染的比例。

NPV 表示快篩陰性者中確實未感染的比例。

效度指工具測量結果是否正確，敏感度、特異度、PPV、NPV 均是重要指標。信度指相同條件下重複檢測能否得到一致結果，可由重複檢測的一致性評估。檢驗結果一致，不代表結果必然正確；信度高不等於效度高。

解題方法與政策評估

應從「篩檢要達成什麼目的」切入，再依序評估檢驗性能、受檢族群的感染盛行率與篩檢後的處置方式。

一、依篩檢目的設定指標重點

若政策目標是盡量找出具傳染性的感染者、降低社區傳播，則應重視敏感度，並考量採檢時間、採檢品質及受檢者是否依指示操作。偽陰性者可能因未被隔離而持續傳播，因此陰性結果不能一概視為沒有感染。

若政策目標是避免未感染者被誤判陽性，減少不必要的隔離、焦慮與醫療資源耗用，則應重視特異度及陽性預測值。快篩陽性後安排確認檢驗，有助於降低偽陽性造成的影響。

二、將盛行率納入解讀

敏感度與特異度主要描述檢驗工具的性能；PPV 與 NPV 則會受到受檢族群感染盛行率影響。盛行率低時，即使特異度不差，偽陽性在所有陽性結果中所占比例仍可能上升，PPV 因而降低；盛行率高時，陰性者中偽陰性的相對影響會增加，NPV 可能下降。

假設快篩敏感度為 $90\%$、特異度為 $95\%$，受檢者感染盛行率為 $1\%$，則每 10,000 人約有 100 人感染、9,900 人未感染：

• 真陽性：$100 \times 0.90=90$ 人。
• 偽陽性：$9,900 \times (1-0.95)=495$ 人。

核心觀念

本題測驗流行病學中描述疾病衝擊與頻率的常見測量指標（Measures of Disease Frequency & Impact），重點在於區分「死亡率」與「致死率」之分母定義差異：

1. 特定死因死亡率（Cause-Specific Mortality Rate / Proportion）： 在特定觀察期間內，特定族群中因某特定疾病死亡的人數佔該族群總暴露人口數之比率。 $\text{死亡率} = \frac{\text{特定死因死亡人數}}{\text{該族群總暴露人口數}}$
2. 致死率（Case-Fatality Rate, CFR）： 在特定期間內，確診患有該疾病的個案中因該疾病死亡的比例，衡量疾病的嚴重程度與致死毒性。 $\text{致死率} = \frac{\text{因該疾病死亡人數}}{\text{確診患病總人數}}$
3. 侵襲率（Attack Rate, AR）： 流行病學專用於短時間群聚事件或突發疫情的累積發生率（Cumulative Incidence），衡量疾病傳播蔓延的速度。 $\text{侵襲率} = \frac{\text{新發病（感染）人數}}{\text{暴露於風險的總人口數}}$

解題方法

根據題幹提供的群聚事件數據：

• 長照中心老人總人數（暴露人口數，Population at risk）：$50$ 人
• 被感染人數（確診發病個案數，Incident cases）：$20$ 人
• 死亡人數（因病死亡人數，Deaths）：$5$ 人

將上述數據代入各項流行病學指標計算：

1. 計算指標一（死亡人數與總人口之比值）： $\frac{5}{50} = 0.1 \text{（即 } 10\% \text{）}$ 分子為「死亡人數（5）」，分母為「長照中心總人數（50）」，代表在該機構所有暴露長者中，因新冠肺炎死亡的比例，定義上為特定死因死亡率（Mortality rate）。

2. 計算指標二（死亡人數與感染人數之比值）： $\frac{5}{20} = 0.25 \text{（即 } 25\% \text{）}$ 分子為「死亡人數（5）」，分母為「感染人數（20）」，此為致死率（Case-fatality rate）。

3. 計算指標三（感染人數與總人口之比值）： $\frac{20}{50} = 0.4 \text{（即 } 40\% \text{）}$

核心觀念

本題考查世代研究（Cohort Study）中**效應測量指標（Measures of Association / Effect）**的定義、公式及其單位特性。

1. 可歸因危險性（Attributable Risk, AR）： 亦稱危險差（Risk Difference, RD）或率差（Rate Difference, RD）。定義為暴露組之發病率（或死亡率）與非暴露組發病率（或死亡率）的絕對差值： $AR = I_e - I_u$ 其中 $I_e$ 為暴露組發生率（或死亡率），$I_u$ 為非暴露組發生率（或死亡率）。此指標代表「暴露者中所發生的疾病或死亡，有多少超額風險可歸因於該暴露」。因為是兩率相減，故保留原始率的單位（例如：人年分母）。

2. 相對危險性（Relative Risk, RR）： 定義為兩組率的比值（$RR = \frac{I_e}{I_u}$），代表暴露組發病的風險是非暴露組的幾倍，為**無單位（dimensionless）**的比值。

3. 族群可歸因危險性（Population Attributable Risk, PAR）： 定義為全體族群總發生率（$I_t$）與非暴露組發生率（$I_u$）之差： $PAR = I_t - I_u = AR \times P_e$ 其中 $P_e$ 為族群中該危險因子的暴露盛行率。

解題方法

1. 鎖定題目給定條件：

• 研究設計：世代研究（可直接計算發生率或死亡率）。
• 數值內涵：「暴露組與非暴露組的死亡率差異」。
• 數值與單位：「$30\text{ 人／每十萬人年}$」。

2. 數學式對應： 設暴露組死亡率為 $I_e$、非暴露組死亡率為 $I_u$。 題目所述之「死亡率差異」即為兩組相減： $I_e - I_u = 30\text{ 人／每十萬人年}$
3. 結論： 兩組率相減所得到的絕對效應指標，在流行病學定義上即為「可歸因危險性（Attributable Risk, AR）」或「率差（Rate Difference）」。

選項分析

• (A) 錯誤： 相對危險性（Relative Risk, RR）為暴露組與非暴露組率的相除比值（$RR = \frac{I_e}{I_u}$）

核心觀念

本題測驗流行病學中盛行率（Prevalence, $P$）的決定因素以及盛行率與疾病篩檢指標之間的因果關係。

1. 盛行率與發生率的動態關係（水庫模型／水缸模型）： 在族群處於動態穩定狀態（Steady-state population）且疾病盛行率不高（一般指 $P < 0.10$）的條件下，盛行率（$P$）、發生率（Incidence, $I$）與平均病程（Duration, $\bar{D}$）存在以下經典數學關係： $P \approx I \times \bar{D}$ 更嚴謹的勝算（Odds）關係式為： $\frac{P}{1 - P} = I \times \bar{D}$

• 流入（新發病例）： 由發生率決定。
• 流出（病例終止）： 由病程長短決定，病程長短則直接取決於治癒速度（治癒率）與死亡速度（存活率／致死率）。

2. 篩檢指標與盛行率的因果方向： 陽性預測值（Positive Predictive Value, $PPV$）定義為篩檢結果呈陽性者中，真正患病的機率： $PPV = \frac{\text{靈敏度} \times P}{\text{靈敏度} \times P + (1 - \text{特異度}) \times (1 - P)}$ 此處盛行率（$P$）是自變數，陽性預測值（$PPV$）是應變數。真實族群的盛行率起伏會影響篩檢工具的 $PPV$，但篩檢工具或其指標數值本身並不會反過來改變族群真實的疾病盛行率。

解題方法

運用流行病學經典的**「水缸模型（Bathtub Model）」**切入：

• 水缸內的水位（儲存量） 即為「盛行個案數／盛行率」。
• 水龍頭注水（流入量） 代表「新發生個案」，由疾病發生率掌控。
• 排水管排水（流出量） 代表「不再是病例」，途徑有二：

1. 病人康復：由治癒率掌控。
2. 病人死亡：由**存活率（或致死率）**掌控。

核心觀念

在流行病學中，「發生（Incidence）」是指在特定期間內，特定族群中「新發生」的疾病或健康事件。計算發生的指標主要分為兩種：

1. 發生率／發生密度（Incidence Rate / Incidence Density）： 衡量新發病例出現的「速度（velocity）」，常用於動態族群（dynamic population）或追蹤時間不一致的世代研究。

• 分子：追蹤期間內新發生的病例數。
• 分母：所有處於發病風險之個體在觀察期間所貢獻的「總人時（person-time at risk）」（例如：人年、人月）。
• 公式： $\text{Incidence Rate} = \frac{\text{新發生病例數}}{\text{風險族群之總觀察人時}}$

2. 累積發生率（Cumulative Incidence, CI）： 衡量個體在特定時間內發病的「機率（risk）」，常用於封閉族群（closed cohort）。

• 分子：特定期間內新發生的病例數。
• 分母：期初處於發病風險之總人口數（population at risk at start of follow-up）。

核心關鍵：無論是哪一種發生指標，分母都必須以**具有發病風險的族群（population at risk）**為基礎，而非僅以已罹病的病例為基礎。

解題方法

本題測驗「發生率（Incidence Rate）」公式中分母的定義：

1. 區分分子與分母：「病例數」為計算指標時的「分子」，可用於剔除僅描述病例數量的選項。

核心觀念

本題測驗流行病學中「因果推論準則」（Bradford Hill Criteria of Causality）及「病因模型」（Causal Model，如 Rothman 的充分與成分病因模型）。

1. 因果關係的必要條件：

• 時序性（Temporality）：暴露必須先於疾病發生，這是所有流行病學因果推論中唯一絕對不可或缺的必要條件。

2. 統計關聯性與相對危險度：

• 欲推論暴露 $A$ 增加疾病 $B$ 的風險，統計學上必須觀察到暴露組的疾病發生率（$I_e$）顯著高於非暴露對照組（$I_u$），即相對危險度 $RR = \frac{I_e}{I_u} > 1$。

3. 充分病因與成分病因之區分：

• 在慢性病與多重病因網（Web of Causation）中，單一危險因子多為「成分病因（component cause）」，極少單獨構成「充分病因（sufficient cause）」。因此，暴露者發病率高於非暴露者即可建立風險推論，並不要求「暴露者大多都會發病（絕對風險 $> 50\%$）」。

4. 生物學合理性（Biological Plausibility）：

• 暴露致病的生物學機轉或合理病理過程，是評估因果關係的重要考量依據之一。

解題方法

從因果推論的基本準則切入，檢視題幹「推論某暴露 A 造成族群疾病 B 發生的風險」時，各項條件是否為必要考量：

1. 檢驗時序性與關聯性：因果推論必須確認「先暴露、後發病」（時序性），且必須具備「暴露組發病率高於對照組」（關聯強度）以佐證風險提高。
2. 檢驗生物機轉：需要從致病機轉評估生物學合理性，避免虛假相關。
3. 檢驗絕對發病率的門檻：評估危險因子是否需要讓「大多數暴露者都發病」。若要求「大多發病」，將推翻絕大多數公衛已確認的因果關聯（如吸菸致肺癌，多數吸菸者終其一生並未罹患肺癌，但吸菸確實使肺癌風險劇增）。因此此條件顯屬不合理且非必要。

選項分析

核心觀念

本題考驗流行病學中「因果關係分類」（Causality）與羅斯曼（Kenneth Rothman）的「因果圓餅模式」（Causal Pie Model）。在流行病學的病因架構中，因子與疾病的關係依「充分性」與「必要性」可分為四種型態：

1. 充分因子（Sufficient cause）：有此因子則疾病必然發生（即「有之必然」）。若單一因子存在即能百分之百致病，稱為單一充分因子。
2. 必要因子（Necessary cause）：若無此因子則疾病絕不發生（即「無之必不然」）；換言之，所有發病者體內都必須有此因子存在。
3. 充分且必要因子（Sufficient and necessary cause）：極為罕見，只要存在就必定致病，且沒有它就絕不致病。
4. 非充分且非必要因子（Neither sufficient nor necessary cause）：有此因子不一定會發病（非充分），且沒有此因子也可能透過其他途徑發病（非必要）。當代慢性病（如癌症、心血管疾病）的危險因子絕大多數屬於此類，在因果圓餅中僅扮演「成分因子」（Component cause）。

解題方法

本題切入點採用「邏輯反例檢驗法」：分別檢視吸菸與肺癌之間是否滿足「充分性」與「必要性」的嚴格條件。

• 步驟一：檢驗「充分性」（吸菸 $\implies$ 必定罹患肺癌？）
• 現實中存在許多重度吸菸者終身未罹患肺癌。吸菸暴露本身並不足以單獨保證疾病必定發生，還需要其他基因易感受性、致癌物代謝酵素缺失等成分因子共同作用。因此，吸菸不是充分因子。
• 步驟二：檢驗「必要性」（罹患肺癌 $\implies$ 必定有吸菸？）

核心觀念

本題考的是疾病成因的兩種模型：

• 三角致病模式（epidemiologic triad）：疾病發生取決於宿主、致病因子與環境之間的交互作用。傳染病常以此模式說明，例如病原體的致病力、宿主的免疫狀態及環境條件共同影響感染與發病。
• 餅狀致病模式（causal pies）：Rothman 將疾病的成因視為多個因果成分的組合。每一個完整的「因果餅」代表一組足以造成疾病的充分原因；餅上的單一成分是原因組合的一部分，單獨存在通常不足以致病。不同個體即使罹患同一疾病，構成完整因果組合的成分也可能不同。

兩種模式都是理解疾病多因性與因果關係的架構，並非只能各自解釋某一類疾病。

解題方法

判斷關鍵是看選項是否把兩種模式說成互斥，或宣稱某類疾病只能用其中一種模式解釋。三角模式強調宿主、致病因子、環境的互動；餅狀模式強調多個因果成分組成充分原因。兩者可用來描述疾病因果關係的不同面向，也都能說明暴露後未發病的情形。

選項分析

核心觀念

本題測驗流行病學研究設計在因果關係推論（Causal Inference）上的證據力階層（Hierarchy of Evidence）。

評估因果關係推論信心強度的主要準則包括：

1. 時序性（Temporality）：暴露是否確實在疾病發生之前（希爾準則 Hill's criteria 最核心的必要條件）。
2. 干擾因子的控制（Control of Confounders）：能否有效平衡或排除已知與未知的干擾變項。
3. 偏差的控制（Control of Biases）：包括選樣偏差（Selection bias）、資訊偏差（Information bias / Recall bias）等。
4. 分析單位（Unit of Analysis）：個體層次（Individual level）遠優於群體/集合層次（Aggregate level），後者容易產生「生態謬誤（Ecological fallacy）」。

解題方法

依據流行病學研究設計對因果推論的效力，由高至低逐一分析各研究設計：

1. ② 隨機分派試驗（Randomized Controlled Trial, RCT）—— 強度最高

• 研究性質：實驗性研究（Experimental study）。
• 優勢：研究者主動介入，並透過「隨機分派（Randomization）」將受試者分配至實驗組與對照組，能在統計上均勻分配已知與未知的干擾因子；介入與結局發生的時序性極為明確，內部效度（Internal validity）最高，因此因果推論的信心最強。

2. ③ 世代研究（Cohort Study）—— 次高

• 研究性質：觀察性研究（Observational study，個體層次）。
• 優勢：依照暴露狀態分組並往前追蹤結局，確立了「先暴露、後發病」的明確時序性；能直接計算發生率與相對危險度（Relative Risk, $RR$）；偏差（特別是回憶偏差）較病例對照研究少。雖然無法像 RCT 透過隨機分派平衡未知干擾，但可藉由限制、配對或多變量統計模型控制已知干擾因子。

3. ① 病例對照研究（Case-Control Study）—— 再次之

• 研究性質：觀察性研究（Observational study，個體層次）。
• 限制：以「疾病狀態」分組，回溯調查過往的暴露史。

核心觀念

本題測驗流行病學與臨床研究方法中「新藥開發臨床試驗的分期（Phases of Clinical Trials）」之定義、目標與執行階段：

1. 第一期試驗（Phase I）：評估安全性（Safety）、藥動學（Pharmacokinetics）與耐受性，藉由劑量遞增確認合適的治療劑量範圍（如最高耐受劑量, MTD）。通常以少數健康受試者（約 20～80 人）為對象。
2. 第二期試驗（Phase II）：評估藥物對目標疾病的初步療效（Efficacy），並進一步評估短期安全性與最佳給藥劑量。對象為特定適應症之中等規模病患（約 100～300 人）。
3. 第三期試驗（Phase III）：進行大規模隨機對照試驗（Randomized Controlled Trial, RCT），嚴格確立藥物的臨床療效與優勢，評估與現有標準療法或安慰劑相較下的相對安全性（效益與風險比），為取得主管機關上市許可（查驗登記）的關鍵證據。
4. 第四期試驗（Phase IV）：即**上市後監測（Post-marketing Surveillance）**或藥物安全監視（Pharmacovigilance），在真實世界（Real-World）中監測大規模、多元族群長期使用的療效，以及發掘第三期試驗難以偵測的罕見或延遲性不良反應。

解題方法

1. 判讀分期之時序與分界：臨床試驗以「取得藥證並核准上市」為界線，前三期（Phase I～III）皆屬於**上市前（Pre-marketing）試驗，第四期（Phase IV）則為上市後（Post-marketing）**研究。
2. 比對題目陳述：題目欲選出「錯誤」的敘述。

核心觀念

本題測驗臨床試驗（Randomized Controlled Trial, RCT）中安慰劑（Placebo）的定義、盲化機制、操作限制，以及受試者保護與研究倫理（Research Ethics）。

1. 安慰劑與盲化：安慰劑為外觀、氣味、口感與活性藥物相同，但不含活性藥理成分的物質，主要功能在於維持盲化（Blinding/Masking），控制心理預期引發的「安慰劑效應（Placebo effect）」與資訊偏差（Information bias）。
2. 盲化破功（Unblinding）：盲化並非絕對完美，臨床上常因實驗藥物產生特異性副作用（Adverse effects）或明顯療效，導致受試者推測出自身組別。
3. 倫理界線（赫爾辛基宣言）：依據國際醫學倫理規範《赫爾辛基宣言》（Declaration of Helsinki）及台灣《藥品優良臨床試驗準則》（GCP，本題以命題當年民國 110 年法規標準為準），若該疾病已有經證實有效的「標準療法（Standard of Care）」存在，控制組原則上必須給予標準療法（即活性對照 Active Control），不得隨意使用安慰劑，以維護受試者生命健康與醫療權益。

解題方法

本題以「流行病學方法學」與「臨床試驗倫理學」為雙重切入點：

1. 方法學檢視（選項 A、B、C）：檢驗安慰劑的物理特性、盲化目的，以及實務上「破盲」的客觀限制，此三者皆屬正確的方法學敘述。
2. 倫理學檢視（選項 D）：在臨床試驗設計中，「科學利益」絕不能凌駕於「受試者福祉與倫理」之上。當既有標準療法存在時，剝奪控制組接受治療的權利屬於重大倫理違規，因此敘述「仍應盡量讓控制組接受安慰劑」違背倫理準則，為錯誤敘述。

選項分析

核心觀念

本題的核心在於世代研究（Cohort Study）中疾病發生率測量指標的選擇，特別是面對動態世代（Dynamic/Open Cohort）、追蹤時間不一及**失去追蹤（Lost to Follow-up）**時的處理策略。

1. 累積發生率（Cumulative Incidence, CI / Risk）：

• 指在特定觀察期間內，無病族群中新發生特定疾病的比例。
• 計算公式： $\text{CI} = \frac{\text{新發病例數}}{\text{期初無病危險人口數}}$
• 適用限制：假定為「封閉世代（Closed Cohort）」，即所有研究對象在該期間內均被追蹤相同的時間，且無失訪或中途加入的情形。若追蹤時間長短不一或有大量失訪，直接計算比例會產生嚴重偏誤。

2. 發生密度／發生率（Incidence Density, ID / Incidence Rate, IR）：

• 當個案進入研究的時間不同、中途失訪、死亡（競爭風險）或提早發病，導致每位個案的觀察時間長短不一，必須改用「人時（Person-time）」作為分母。
• 計算公式： $\text{IR} = \frac{\text{新發病例數}}{\text{總觀察人時（Total Person-time at Risk）}}$
• 每位個案僅貢獻其實際處於危險期且被追蹤的時間（如人年、人月），失訪者的追蹤時間計算至失訪當下為止。此法可充份利用現有資料，校正觀察時間不一帶來的影響。

解題方法

面對追蹤型世代研究中「個案觀察時間長短不一」與「失去追蹤」之情境，解題切入點在於如何使估算出的疾病風險具有時間上的可比性：

• 若採用單純的個案發生事件比例（累積發生率），分母無法反映每個人承擔疾病危險的時間長短差異（例如被追蹤 1 個月與被追蹤 10 年者若在分母皆算 1 人，權重完全失真）。
• 解決方案是採用發生密度（Incidence Density），將各個案實際貢獻的「人時（Person-time）」納入分母進行分析；或進一步利用存活分析（Survival Analysis，如 Kaplan-Meier 法、Cox 等比例危險模型）處理設限（censored）資料。

核心觀念

本題考驗**世代研究（Cohort Study）**的基本定義、方法學特性及其在流行病學觀察性研究中的優缺點。

1. 世代研究基本架構：依據研究對象「是否暴露於特定危險因子」分為暴露組與非暴露組，追蹤一段時間後，觀察並比較兩組之疾病發生狀況（從暴露 $\rightarrow$ 疾病）。
2. 時序性（Temporality）：因研究起始點為未罹病者，先確立暴露狀況再追蹤發病，具備明確的因果時序關係。
3. 疾病風險指標：因為有追蹤時間與母體人數，可直接計算發生率（Incidence），進而直接估算相對危險度（Relative Risk, $RR$）、危險差（Risk Difference, $RD$）等風險指標。
4. 觀察性研究之局限：世代研究本質上為觀察性研究（非隨機對照試驗），暴露並非隨機分派，故兩組之基準特性可能不均，必然會面臨**干擾因子（Confounding factors）**的威脅。
5. 適用情境：世代研究適合探討「罕見暴露（Rare exposure）」；對於「罕見疾病（Rare disease）」，世代研究需要極大樣本與長期追蹤，效益極差，罕見疾病應首選「病例對照研究（Case-Control Study）」。

解題方法

從觀察性流行病學研究設計的「方向性（Directionality）」與「測量指標（Measures of Association）」切入分析：

1. 確認時序與風險計算：世代研究由因尋果，時序性最強（符合 Hill's 因果推論準則之必要條件），且能直接測量發病率與風險高低。
2. 排除常見研究設計混淆點：

• 「罕見疾病」vs.「罕見暴露」的適用設計區分。
• 「觀察性研究」vs.「實驗性研究（RCT）」在干擾控制上的本質差異。

選項分析

• ① 危險因子暴露與疾病發生的先後時序關係較明確（正確） 世代研究在納入研究對象時，所有受試者皆尚未罹病（At risk of disease），研究者先確定其暴露狀態後，再向前追蹤評估是否發病。因此暴露絕對發生在發病之前，其因果時序（Temporality）最為明確，不易產生如橫斷面研究的「倒果為因（Reverse Causality）」問題。

核心觀念

本題測驗「世代研究法（Cohort Study）」的核心定義、研究設計特徵、適用情境及其優缺點：

1. 世代研究法的研究邏輯：先依「暴露狀態（Exposure status）」分組（暴露組與非暴露組／對照組），再隨時間「由因推果」追蹤各組之疾病發生率（Incidence rate）或死亡率。
2. 疾病特性與研究設計之適配性：

• 世代研究法適合研究「罕見暴露（Rare exposure）」。
• 對於「罕見疾病（Rare disease）」或「長誘導期／潛伏期（Long induction/latent period）」之疾病，世代研究法因需龐大樣本數與極長追蹤期，成本過鉅且易產生失訪偏差（Attrition bias / Loss to follow-up），通常應優先選用「病例對照研究法（Case-control study）」。

3. 世代研究降低成本的設計策略：

• 次級資料串聯（Record linkage）：運用既有的重大傷病登記、癌症登記檔或全民健保資料庫以監測發病狀況。
• 回溯性世代研究（Retrospective cohort study）：利用過去已記錄的暴露資料進行回溯追蹤。
• 外部全人口對照（External comparison group）：以全人口的發病率或死亡率取代內部非暴露組，計算標準化發生比（SIR）或標準化死亡比（SMR）。

解題方法

本題為純觀念判斷題，解題切入點如下：

1. 評估罕見度與追蹤長度對世代研究可行性的衝擊：計算樣本數時，疾病發生率愈低（罕見疾病），所需研究樣本量愈大；誘導期愈長，追蹤年限愈長。兩者相乘將使追蹤成本呈倍數增長，實務可行性低。
2. 檢視世代研究在「資料來源」與「對照組選取」上的成本控制機制：比對各選項中關於「既有資料庫利用」、「回溯性追蹤」與「全人口對照組」之敘述是否符合流行病學方法學原則。

選項分析

• (A) 正確： 世代研究法的樣本大小與疾病發生率呈反比。當研究對象為罕見疾病時，因單位時間內的發生率極低，研究必須納入極大規模的世代樣本，才能在追蹤期內累積具有足夠統計檢定力（Statistical power）的病例數；

核心觀念

本題測驗分析性流行病學（Analytic Epidemiology）中**病例對照研究法（Case-Control Study）之核心設計特性、優缺點，以及其與世代研究法（Cohort Study）**的比較。

1. 研究方向與本質： 病例對照研究是從「結果（疾病有無）」回溯探討「過去暴露（Exposure）史」，屬於由果推因的回溯性設計。
2. 測量指標之限制：

• 在病例對照研究中，病例組與對照組的人數比例是由研究者人為決定的（例如常見的 $1:1$ 或 $1:4$ 配對），並不代表目標母體中實際的患病比例。
• 因為缺乏母體中處於危險的總人數（Population at risk）與觀察人時（Person-time），無法直接計算疾病的發生率（Incidence Rate）或累積發生率（Cumulative Incidence），亦無法直接求得相對危險度（Relative Risk, $RR$），僅能以勝算比（Odds Ratio, $OR$）作為關聯性強度的估計值。

3. 偏差（Bias）的易感性：

• 選樣偏差（Selection Bias）：對照組的選取極不易完全代表產生病例之源全人口（Source Population），極易產生如柏克森偏差（Berkson's bias）等選樣問題。
• 資訊偏差（Information Bias）：由於需由受試者回憶過去的暴露狀態，易產生嚴重的回憶偏差（Recall Bias）。

解題方法

以流行病學觀察性研究之「世代研究」與「病例對照研究」的優缺點對照表為切入點，逐一檢驗題幹之四項陳述，判斷其究竟屬於「病例對照研究之缺點」、「病例對照研究之優點」，或是「世代研究之特徵」：

1. 檢驗 ① 與 ③：判定其為哪一種研究法的典型特徵。
2. 檢驗 ② 與 ④：確認是否為病例對照研究因設計先天限制所致之缺點。
3. 綜合選取：篩選出確實屬於病例對照研究缺點之組合。

選項分析

【各項陳述解析】

• ① 需要較大樣本：錯誤（此為其優點，大樣本為世代研究之缺點） 病例對照研究是「挑選已有疾病者」作為病例組，特別適合用於研究罕見疾病（Rare diseases）或潛伏期長的疾病。相較於前瞻性世代研究必須追蹤數千至數萬名健康個體以等待少數發病個案，病例對照研究所需樣本數相對較小、成本低、具經濟效益。因此「需要較大樣本」並非其缺點。

• ② 無法計算發生率：正確（屬於重大缺點） 病例組與對照組的取樣人數比例（如 $1:1$）是由研究者決定，而非母體真實發病狀況；

核心觀念

本題測驗流行病學中**觀察性分析研究法（Observational Analytic Studies）**的設計類型辨識，關鍵在於掌握各研究法的「選樣分組依據」與「關聯性測量指標」：

1. 病例對照研究法（Case-Control Study）：

• 分組起點：依**疾病狀態（Outcome）**分組，選取罹病者為「病例組（Cases）」，未罹病者為「對照組（Controls）」。
• 調查方向：回溯性（Retrospective），由「結果」往回追溯「過去的暴露史（Exposure）」。
• 關聯性測量指標：因無法直接計算母群體的發生率（Incidence）或侵襲率（Attack Rate），主要計算勝算比（Odds Ratio, OR）： $\text{OR} = \frac{\text{病例組的暴露勝算}}{\text{對照組的暴露勝算}} = \frac{a / c}{b / d} = \frac{ad}{bc}$ （其中 $a$ 為患病且暴露、$b$ 為無病但暴露、$c$ 為患病無暴露、$d$ 為無病且無暴露）。

2. 研究法判定判準：

• 先依暴露分組、往前追蹤發病 $\to$ 世代研究法（計算 $RR$）。
• 先依發病分組、往回調查暴露 $\to$ 病例對照研究法（計算 $OR$）。
• 同時測量暴露與疾病、無先後分組 $\to$ 橫斷研究法（計算盛行率或 $POR$）。
• 以群體（非個體）為分析單位 $\to$ 生態研究。

解題方法

判定本題研究設計的三大關鍵切入點：

1. 辨識分組依據（依疾病分組）： 題幹明確指出「調查人員比較有出現腸胃道症狀的學生與未出現腸胃道症狀的學生」，表示研究者以「有無罹患腸胃炎症狀（Outcome）」為分組基準，前者即為「病例組（Cases）」，後者即為「對照組（Controls）」。
2. 辨識研究時序（回溯暴露）： 調查人員在分組後，進一步調查「兩組所食用菜餚的差異」，屬於由「疾病結果」往回追溯「午餐飲食暴露史」。
3. 驗證關聯性指標（計算勝算比）： 題幹指明「計算每道菜餚的勝算比（odds ratio, OR）」，完全符合病例對照研究法專屬之關聯性評估指標。

綜合上述三點特徵，調查人員所採用的正是典型的病例對照研究法（case-control study）。

選項分析

核心觀念

本題測驗的核心為「病例對照研究（Case-Control Study）的設計原理與流行病學三大偏誤（選擇性偏誤、資訊偏誤、干擾偏誤）」。

1. 流行病學三大偏誤架構：

• 干擾偏誤（Confounding）：存在與暴露及疾病皆相關、且非因果鏈中間產物的第三變項，若未在設計或分析階段控制，會扭曲真實關聯。
• 選擇性偏誤（Selection Bias）：病例與對照的納入或參與過程，與其暴露狀態有關，導致樣本無法代表來源族群。其中一項基本原則是對照組必須來自與病例組相同的「標的／來源族群（Study Base / Source Population）」。
• 資訊偏誤（Information Bias）：資料收集過程中，暴露或疾病狀態的量測、分類有誤。病例與對照若回憶暴露的準確度不同，即為典型的「回憶偏誤（Recall Bias）」。

2. 病例對照研究的抽樣特性與勝算比（Odds Ratio, $OR$）不變性：

• 病例對照研究最大的優勢在於處理罕見疾病，研究者會從族群中抽取高比例（甚至全部）的病人，但僅從龐大的健康族群中抽取極低比例的健康者（例如 1:1 或 1:4 的配對抽樣）。
• 病人進入病例組的比例（抽樣率 $f_1$）與健康人進入對照組的比例（抽樣率 $f_0$）本來就不相同，這是該設計的正常機制，而非偏誤。

解題方法

本題問「下列何者不是結果有偏誤的原因」，解題關鍵在於區分**「造成系統性誤差（偏誤）的瑕疵」與「研究方法的本質設計（抽樣率不同）」**。

設來源母群體中：

• 暴露的病例數為 $A$、未暴露的病例數為 $C$
• 暴露的健康者為 $B$、未暴露的健康者為 $D$
• 母群體的暴露勝算比為： $OR_{\text{pop}} = \frac{A / C}{B / D} = \frac{AD}{BC}$

在病例對照研究中，研究者分別獨立對病例與健康者進行抽樣：

• 病人的抽樣比例為 $f_1$（抽樣後的病例組人數：$a = f_1 A$，$c = f_1 C$）
• 健康人的抽樣比例為 $f_0$（抽樣後的對照組人數：$b = f_0 B$，$d = f_0 D$）

只要抽樣率 $f_1$ 與 $f_0$ 的決定過程與暴露狀態無關，樣本計算出的勝算比為： $OR_{\text{sample}} = \frac{a \times d}{b \times c} = \frac{(f_1 A)(f_0 D)}{(f_0 B)(f_1 C)} = \frac{f_1 f_0 \cdot AD}{f_1 f_0 \cdot BC} = \frac{AD}{BC} = OR_{\text{pop}}$

核心觀念

本題測驗流行病學中**測量層次（Levels of measurement）與生態學研究／多層次模型（Multilevel models）**中變項分類的基本概念：

1. 個體層次變項（Individual-level variables / Micro-level variables）： 描述個別主體（個人）特徵的變項，例如個人的年齡、性別、個人吸菸狀態（抽菸／不抽菸）、個人血壓等。
2. 群體／巨觀層次變項（Macro-level variables / Group-level / Ecological variables）： 描述群體、社區、地理區域或社會組織特徵的變項。流行病學上通常分為三大類：

• 匯總變項（Aggregate variables）：將群體內各個體的特徵予以統計匯總後的摘要指標（例如：某縣市國中生的吸菸率、社區平均家戶所得）。雖然資料來源是個體調查，但變項的測量單位與描述主體是「該群體」。
• 環境變項（Environmental variables）：描述個人生活之物理、自然環境特質（例如：某區域的平均日照時數、監測站測得之空氣中 $\text{PM}_{2.5}$ 濃度）。
• 全體／結構變項（Global / Structural variables）：群體、組織或地區本身固有的屬性，在個體層次上沒有對應的直接特質（例如：人口密度、法令規章制度、特定行政區的醫療資源分布與醫院病床數配置）。

3. 多層次分析（Multilevel analysis / Contextual analysis）： 研究可同時納入個體層次與群體層次變項，用以評估「環境脈絡效應（Contextual effect）」對「個人健康結果」的影響。

解題方法

本題之核心切入點在於**「該變項所描述的本體是『個人』還是『群體／區域』」**：

• 判斷變項層次時，不能只看原始資料收集的來源，而要看該變項在研究分析中代表的分析單位（Unit of analysis）與屬性主體。
• 只要該測量值代表的是行政區、社區或總體人口之特徵，皆屬於群體層次變項（Macro-level variables）。

選項分析

核心觀念

本題測驗流行病學中描述疾病時間趨勢的三大核心概念：年齡效應（Age effect）、年代效應（Period effect）與世代效應（Cohort effect）（即年齡—年代—世代分析，Age-Period-Cohort Analysis）：

1. 年齡效應（Age effect）： 指疾病的發生率或盛行率隨著個人生理年齡的增長而產生的變化。其反映的是生物學上的發育、老化過程、免疫力隨年齡衰退，或隨年齡累積之暴露，與日曆年代或出生年份無關。
2. 年代效應（Period effect，時期效應）： 指在**特定的日曆時間（Calendar time）**或歷史時期發生的外在環境事件，同時影響該時期內所有年齡層族群。常見原因包括：重大天災或新興傳染病大流行、疾病診斷工具引進與診斷標準改變、全面性公衛政策或健保申報給付制度變革等。
3. 世代效應（Cohort effect，出生世代效應）： 指同一時期出生（或在同一特定時間經歷相同生命歷程）的族群，因在特定生命早期階段（如胎兒期、童年期、青少年期）共同暴露於獨特的環境或公衛介入，使其隨著年齡增長而展現出與其他出生世代不同的疾病風險特徵。

解題方法

本題解題切入點在於判斷題幹各情境所敘述的「公衛事件」或「暴露改變」的作用對象與時間維度：

1. 若影響以「特定出生年份（Birth cohort）」為分水嶺，造成新舊世代健康狀態顯著差異，即為世代效應。
2. 若影響發生於「特定歷史年份點」，對該時點全人口不分年齡層造成立竿見影的齊頭式改變，即為年代效應。
3. 若變化純粹是「個體歲數成長或老化」帶來的生物學機轉，即為年齡效應。

選項分析

• (A) 選項錯誤： 臺灣自 1986 年實施新生兒全面 B 型肝炎疫苗接種政策，直接受益並建立主動免疫的是「1986 年以後出生的世代」；而 1986 年以前出生的世代並未在出生時全面施打。因此，目前 35 歲以下族群的帶原率與感染率顯著降低，是不同「出生世代」因早期暴露（接種介入）不同所產生的健康差異，此為典型的世代效應（cohort effect），而非年代效應（period effect）。

核心觀念

本題的核心考點為實驗性研究（介入性研究，Randomized Controlled Trial, RCT）的設計類型，特別是**交叉試驗（Crossover Trial）**的定義與特徵。

1. 交叉試驗（Crossover Trial / Crossover Design）：

• 定義：受試者隨機被分派至不同的「處置順序組」，在不同時期（Periods）先後接受不同的處置（例如介入處置與安慰劑）。受試者在完成第一階段處置後，轉換（交叉）至另一種處置。
• 特點：受試者以「自身為對照（self-as-own-control）」，能完全消除受試者之間的個體差異（inter-individual variation），大幅提高統計檢定力，並減少所需樣本數。
• 前提與限制：僅適用於病情穩定、慢性且症狀可反覆發作的疾病，處置效果必須是可逆的（不可用於具治癒性之處置）。各階段之間通常需要設計足夠長的洗除期（Washout Period），以避免前一階段處置的**延遲效應（Carryover Effect）**干擾後續評估。

解題方法

判定研究設計類型的標準切入點包含兩步驟：

1. 判斷研究性質（實驗性 vs. 觀察性）： 研究者招募婦女並主動「隨機分配」飲用蔓越莓汁或安慰劑，屬於研究者主動施加處置的隨機對照臨床試驗（實驗性研究）。
2. 檢視處置分組與時間順序結構：

• 第一組：第一個月飲用蔓越莓汁（介入） $\rightarrow$ 第二個月飲用安慰劑（對照）。
• 第二組：第一個月飲用安慰劑（對照） $\rightarrow$ 第二個月飲用蔓越莓汁（介入）。 受試者在兩階段分別接受兩種不同的飲品，其處置角色互相對調，完全符合典型的 $2 \times 2$ 隨機交叉試驗（Two-period Crossover Trial） 架構。

選項分析

核心觀念

1. 描述性流行病學（Descriptive Epidemiology）的定義與功能：

• 描述性流行病學著重於描述疾病在人群中發生的三大人、時、地特徵（Person, Place, Time, PPT）。
• 其主要目的為「描述疾病分布」與「形成假說／建立假說（Hypothesis generation）」，無法直接確立因果關係；欲檢定假說與探討危險因子因果關係，需仰賴分析性流行病學（Analytic Epidemiology，如病例對照研究、世代研究）或實驗性流行病學。

2. 時間特徵（Time）的分析尺度：

• 觀測時間區間的切分必須根據疾病的自然史（Natural history）與潛伏期（Incubation period）決定，絕無單一固定的時間單位。

3. 公共衛生監測（Public Health Surveillance）與偏差：

• 臨床通報多屬被動監測（Passive surveillance），常受限於就醫可近性、醫療院所密度、醫師警覺性等因素。城鄉醫療資源落差會導致嚴重的通報偏差（Reporting bias）或確認偏差（Ascertainment bias），分析時必須加以校正與考量。

4. 人的特徵（Person）之核心變項：

• 在宿主特徵中，**年齡（Age）與性別（Sex）**是最基本、最普遍收集，且對疾病罹病率與死亡率影響最顯著的人口學變項。

解題方法

本題以「描述性流行病學」的基本定義與實務原則為核心切入點：

1. 先區分「描述性流行病學（提出假說）」與「分析性流行病學（驗證因果）」的功能差異，快速排除越界推論因果的選項。
2. 檢視各選項陳述是否符合流行病學方法學原則（如時間軸設定應因病制宜、監測資料需考量通報偏差）。
3. 確認各變項在描述性流行病學中扮演的基本角色，選出最精確且符合公衛實務常態的敘述。

選項分析

核心觀念

本題測驗流行病學因果推論中**干擾因子（Confounder / Confounding factor）的判定條件、性質，以及其與效應修飾因子（Effect modifier）**之辨析。

1. 干擾因子的三大古典判定準則：

• 與暴露相關：干擾因子必須與暴露因子（Exposure）存在統計學相關。
• 與疾病相關：干擾因子本身必須是疾病（Disease / Outcome）的獨立危險因子（在未暴露群中亦能獨立預測疾病發生）。
• 非中介變項：干擾因子不可位於暴露與疾病因果鏈的中間途徑上（即不得為暴露導致的結果或中介變項，Not an intermediate variable on the causal pathway）。

2. 干擾作用與效應修飾作用的分層表現：

• 純干擾（Confounding only）：粗效應值（Crude effect，如 $RR_{\text{crude}}$）與各分層效應值（Stratum-specific effects，如 $RR_1, RR_2$）有顯著差異，但各分層之間的效應值彼此相似且同質（Homogeneous）。
• 效應修飾（Effect modification / Interaction）：若該變項同時為效應修飾因子，分層後各層的效應值將呈現異質性（Heterogeneous），即各層間的效應值大小不一致（$RR_1 \neq RR_2$）。

3. 干擾的方向性：

• 正干擾（Positive confounding）：使粗效應值高估真實效應（遠離無效假說值 1.0）。
• 負干擾（Negative confounding）：使粗效應值低估真實效應（偏向無效假說值 1.0），嚴重時甚至逆轉效應方向（如辛普森悖論 Simpson's paradox）。

解題方法

本題為反向選擇題，要求選出「敘述錯誤」者。解題切入點為比對選項與流行病學對干擾因子的嚴謹定義及分層分析特性：

• 檢驗 (A)、(B) 是否完全符合干擾因子的先決條件。
• 檢驗 (C) 是否忽略了流行病學中「第三變項可能同時兼具干擾與效應修飾」的現象，以及分層後效應值是否必然一致。
• 檢驗 (D) 是否符合干擾作用可能高估、低估或逆轉效應的方向性特徵。

選項分析

核心觀念

1. 個案致死率（Case Fatality Rate, CFR）的定義與組成： $\text{CFR} = \frac{\text{特定期間內因某疾病死亡之確定個案數（分子）}}{\text{同一期間內該疾病之確定個案總數（分母）}} \times 100\%$
2. 方法學上的可比較性（Methodological Comparability）： 指跨族群、跨國進行流行病學數據比較時，數據收集的「測量工具、操作型定義、通報體系與統計歸類標準」是否具備一致性。若方法學標準不一致，會引入資訊偏差（Information bias）或偵測偏差（Detection bias），導致表面上的致死率差異僅為「統計與監測人工產物（Artifact）」。
3. 實質流行病學因子（Substantive Determinants）： 指實際改變人群生物學脆弱度、免疫力或醫療承受力，並直接影響真實疾病預後的實質介入因子或宿主特性（如年齡結構、慢性病共病率、醫療照護品質、疫苗接種率等）。

解題方法

本題核心在於區分**「測量與資料收集過程（方法學／監測系統差異）」與「影響真實致死風險的危險／保護因子（實質流行病學差異）」**：

• 若兩國的 CFR 出現差異，研究者必須先排除因個案定義、篩檢工具、死因認定不同所致的「方法學假象」，確保基準一致（可比較）。
• 當方法學上的可比較性確立後，兩國 CFR 的真實差異即可歸因於疫苗普及率、族群年齡組成或醫療量能等「實質流行病學因子」。

選項分析

• (A) 兩國的個案定義：屬於方法學上的可比較性。 分母的大小直接受「通報定義」影響。例如：甲國僅將「PCR 陽性且具肺炎症狀者」列為個案，乙國將「無症狀感染者或家用快篩陽性者」均納入通報個案。定義愈嚴格，分母愈小，算出的 CFR 表面上會虛假偏高。

核心觀念

本題測驗流行病學觀察性研究設計中**匹配（Matching）**的核心概念、適用研究型態、優點與限制：

1. 匹配的定義與本質：在設計階段挑選對照組（或非暴露組），使之在特定變項（潛在干擾因子）的分佈上與病例組（或暴露組）相同或相近。
2. 統計效率（Statistical Efficiency）：在病例對照研究中，若匹配的變項確實為干擾因子，匹配可使病例與對照組在該干擾因子的分佈層級中達到最佳配置，從而縮小估計值的信賴區間、提高檢定力（Power），即增加統計效率。
3. 匹配的代價與限制：

• 無法評估被匹配因子本身與疾病的相關性：一旦某變項被匹配，其在兩組的分佈已被人為強制一致，該變項對疾病的獨立效應即無法再被估計。
• 招募難度（Cost & Feasibility）：匹配條件愈嚴格、因子愈多，符合資格的對照組愈難尋找。
• 過度匹配（Overmatching）：若匹配了中間變項（Intermediate factor）或非干擾因子，反而會降低統計效率或引入偏誤。

解題方法

從匹配在流行病學各研究法中的「設計目的」、「可行性限制」與「分析限制」切入判斷：

1. 先確認匹配是否僅限於單一研究設計（病例對照 vs. 世代）。
2. 評估變項數量增加對抽樣可行性的影響。
3. 檢驗匹配後變項的統計分析限制（是否能估計該變項的主效應）。
4. 辨識現代流行病學中「病例對照研究實施匹配」的根本效益（提升統計效率）。

選項分析

• (A) 正確： 在病例對照研究中，匹配主要目的並非單純在設計階段排除干擾（匹配反而人為製造了對照組選擇上的相關，需在分析階段採用如條件邏輯斯迴歸等配對分析法校正），而是為了在控制干擾因子時獲取更高的統計效率（Gain in statistical efficiency），使參數估

核心觀念

本題考查觀察性研究（observational study）在衛生政策與醫療評估中的設計類型、優缺點及常見偏差（bias）：

1. 世代研究的時間軸分類：世代研究依研究者「介入／收集資料的時間點」與「結局發生時間點」之相對關係，可分為前瞻性（prospective）與回溯性（retrospective）。次級資料（secondary data）除了可用於回溯性研究外，亦可作為基準點（baseline）並前瞻追蹤未來結局，或持續串聯未來釋出之資料庫。
2. 單組前後對照研究之侷限：單組自身前後比較（before-after design with historical controls）缺乏同步對照組（concurrent controls），極易受長期變動／長期趨勢（secular change / secular trend）、自然消長（history/maturation）及**均數迴歸（regression to the mean）**的干擾。
3. 醫療服務利用者的特性：真實世界中「接受醫療服務者」與「未接受者」往往在健康意識、疾病嚴重度或社經地位存在系統性差異（如健全使用者效應 healthy user effect 或 適應症干擾 confounding by indication），屬於典型的選擇性偏差（selection bias）與干擾。
4. 巨量次級資料的特性：樣本數龐大僅能縮小「隨機誤差（random error）」，無法消除「系統性偏差（systematic bias）」。

解題方法

本題應從「研究設計的內在效度（internal validity）」與「流行病學名詞的絕對化敘述」切入：

1. 辨識研究設計與限制：前後對照缺乏平行對照組，必然面臨時間效應（長期變動）。
2. 評估偏差來源：觀察性研究中，服務使用者與非使用者非經隨機分派（random allocation），必定有選擇性偏差。
3. 破除大數據迷思：次級資料常欠缺生活型態變數或存在編碼錯誤，大樣本不等於無偏差。
4. 檢視次級資料的應用可行性：確認次級資料能否依研究設計架構同時支援前瞻性或回溯性時間軸，選出敘述正確者。

選項分析

• (A) 選項錯誤： 前後對照研究若僅以介入前的自身狀態作為「歷史對照組（historical controls）」，其最大弱點就是無法排除長期變動（secular change/trend）。

核心觀念

本題測驗的核心為職業流行病學中極具代表性的選擇性偏差（Selection Bias）——健康工人效應（Healthy Worker Effect, HWE），尤其是其細分概念中的健康存活者效應（Healthy Worker Survivor Effect）。

1. 健康工人效應的成因：

• 能夠維持在職狀態的勞工，其整體生理與健康狀況通常優於失業、無工作能力或一般整體人口。
• 暴露於職業危害的員工若因暴露而罹病或健康惡化，極易發生留職停薪、轉職、提前退休甚至死亡，導致這些「受危害最深、已發病」的個體自職場中脫離。

2. 偏差對推論方向的影響：

• 若研究僅以「在職員工」為收案對象，留在母體中的多為對危害耐受力較強或尚未發病的健康個體（健康存活者）。
• 此一系統性誤差會使暴露族群的發病風險看起來低於真實狀況，導致暴露與疾病危害之間的相關性（如相對危險度 $RR$ 或勝算比 $OR$）朝向虛無假說偏移（bias toward the null），即低估（underestimate）職業暴露的負面影響。

解題方法

從題幹的收案條件進行邏輯推導：

1. 確立研究目標與暴露性質：研究欲探討「職業暴露與某疾病」之因果關聯，此處的暴露多為潛在健康危害因素。
2. 檢視抽樣母體的限制：收案對象限定於「在職員工」，排除了「曾暴露但已離職/病休的勞工」。
3. 推導暴露組與非暴露組的組成偏誤：

• 暴露於危害且已發病的重症勞工無法繼續工作，被排除在收案名單之外。
• 現存的暴露組在職員工，屬於「健康存活者」，其疾病發生率或盛行率被系統性壓低。

4. 評估關聯性測量值的變動方向： 真實的相關性（危險性）高於在職樣本中所觀察到的數據，因此推論結果會低估暴露對疾病的相關性。

選項分析

核心觀念

本題測驗流行病學中探討多變項關係時，第三變項的角色判定：效應修飾因子（Effect Modifier） 與 干擾因子（Confounder） 的區別與分析流程。

1. 效應修飾作用（Effect Modification / 交互作用 Interaction）： 暴露因子與疾病之間的關聯強度（如相對危險度 $RR$ 或勝算比 $OR$），會隨著第三變項的不同分層（水準）而有所差異。此時該第三變項即為「效應修飾因子」。
2. 干擾作用（Confounding）： 第三變項同時與暴露因子及疾病相關，但並非暴露導致疾病之因果鏈上的中間產物，造成未調整的粗估計值（Crude estimate）產生偏差。
3. 分層分析（Stratified Analysis）判定順序：

• 第一步（檢驗修飾作用）：檢視各層別效應值（Stratum-specific estimates）是否具有齊一性（Homogeneity）。若各層數值不相等且有實質差異，即判定存在「效應修飾作用」。
• 處置原則：一旦確認有效應修飾作用，流行病學的標準做法為「分層個別呈現結果」，不應再將各層合併計算單一的調整後估計值（如 Mantel-Haenszel 估計值），因為合併單一值會掩蓋生物學上的真實差異。

解題方法

判定第三變項角色的標準切入點為比較各分層的效應指標：

1. 檢視各層風險比（Stratum-specific Risk Ratio）：

• 男性分層風險比：$RR_{\text{male}} = 3$
• 女性分層風險比：$RR_{\text{female}} = 1.5$

2. 比較層間差異： $RR_{\text{male}} \neq RR_{\text{female}} \quad (3 \neq 1.5)$ 肥胖對疾病 A 的風險強度在男性與女性之間並不一致（男性肥胖的致病風險倍數是女性的兩倍）。
3. 推導結論： 關聯性強度隨分層變項（性別）的水準而改變，完全符合「效應修飾作用」之定義。

核心觀念

本題測驗的核心為**巢式病例對照研究（Nested Case-Control Study）之研究架構特性，以及其對照組採樣策略（Control Sampling Strategies）與研究偏差（Bias）**的控制：

1. 巢式研究本質：鑲嵌於「已存在的前瞻性世代研究（Defined Cohort）」內部，兼具世代研究的時間明確性與病例對照研究的高成本效益。
2. 對照組採樣機制：

• 發生率密度採樣（Incidence Density Sampling / Risk-Set Sampling）：每當世代中出現新病例時，從當下處於罹病風險（at risk）的人時動態池中隨機抽取對照。估計之勝算比（$\text{OR}$）直接等於率比（Rate Ratio / Hazard Ratio），無須罕見疾病假設，且能精確反映人時暴露分佈。
• 累積發生率／倖存者採樣（Cumulative Incidence / Survivor Sampling）：於追蹤期結束時，從未發病者（survivors）中選取對照。
• 盛行率採樣／基線母體採樣（Prevalence / Case-Cohort / Case-Base Sampling）：自基準點或橫切面群體中抽取對照。

3. 偏差控制原理：發生率指標（新發病）時序清晰；盛行率指標（存活病患）受「發生率 $\times$ 疾病存活時間」（$P \approx I \times \bar{D}$）影響，極易引入倖存者偏差（Survivor Bias）或奈曼偏誤（Neyman Bias / Length-Time Bias）。

解題方法

1. 掌握題意：題目要求選出關於巢式病例對照研究「錯誤」的敘述。
2. 分析設計特性（選項 A、B）：確認巢式研究相對於傳統病例對照研究的優勢與先決條件。
3. 辨析採樣與偏差（選項 C、D）：釐清發生率採樣與盛行率採樣對偏誤（如選擇偏誤、倖存者偏誤）的影響。發生率導向的採樣在流行病學上永遠比盛行率導向更具因果時序優勢與偏差控制力，因此敘述盛行率「較能避免偏差」明顯違背流行病學基本原則。

核心觀念

本題考「交互作用」的判斷：A、B 兩因子共同暴露的疾病發生率，是否偏離兩因子各自作用所預期的結果。判斷時須分清兩種尺度：

• 加成尺度：共同暴露的發生率，與依單一因子增加量推算的發生率比較。可用相對超額風險指標 $RERI$ 判斷。
• 累乘尺度：共同暴露的相對風險，與兩因子相對風險的乘積比較。

解題方法

先找出未暴露於 A、B 兩因子的基準發生率：

其中第一個下標表示 B 因子暴露狀態，第二個下標表示 A 因子暴露狀態。因此：

• 僅 A 暴露：$I_{01}=3$
• 僅 B 暴露：$I_{10}=10$
• A、B 均暴露：$I_{11}=15$

加成尺度下，若兩因子沒有交互作用，依各自增加量推算的共同暴露發生率為：

實際共同暴露發生率為 $15$，高於 $11$，表示兩因子共同作用造成超出加成的發生率增加。以 $RERI$ 表示：

因此，A、B 因子具加成協同作用。

再看累乘尺度。以未暴露組為基準，各組相對風險為：

核心觀念

1. 基礎再生數（Basic Reproductive Number, $R_0$）與有效再生數（Effective Reproductive Number, $R_e$ 或 $R_t$）：

• $R_0$：指在完全易感（Susceptible）的人群中，且無任何外在防疫介入措施的情況下，一名感染者在其傳染期內平均可傳染給他人的二代病例數。當 $R_0 > 1$ 時，疾病才會在人群中持續擴散並引發大流行；若 $R_0 < 1$，疾病將逐漸自然熄滅。
• $R_e$（或 $R_t$）：指在人群具備部分免疫力（透過自然感染或接種疫苗）或已實施公共衛生介入措施（如戴口罩、隔離、社交距離）之實際環境下，一名感染者平均能傳染的人數。當 $R_e < 1$ 時，每日新增感染人數遞減，疫情方能受到控制並逐漸平息；若 $R_e > 1$，則疫情仍處於指數型擴散狀態。

2. 群體免疫（Herd Immunity）與非藥物介入措施（NPIs）：

• 群體免疫門檻（Herd Immunity Threshold, $HIT$）計算公式為： $HIT = 1 - \frac{1}{R_0}$ 必須有足夠比例的人口具備免疫力，才能在無嚴格公衛管制下阻斷傳播鏈。
• 若人群免疫覆蓋率極低，控制疫情主要仰賴「非藥物介入措施」（Non-Pharmaceutical Interventions, NPIs），如邊境管制、活動停辦、疫調隔離及佩戴口罩等。

3. 傳染病分類法規（以命題當年民國 110 年法規為準）：

• 依《傳染病防治法》第 3 條規定，法定傳染病依致死率、發生率及傳播速度分為一至五類。其中「第五類傳染病」指前四類以外，經中央主管機關認定有新興或再浮現之虞，需採取防治對策之傳染病。

解題方法

本題為傳染病傳播動力學指標與我國公衛法規之綜合測驗題。解題切入點如下：

1. 傳播參數邏輯檢驗：利用再生數之分水嶺（數值 1）檢視 (A) 與 (B)，排除違反傳播動力學基本定義的選項。
2. 公衛歷史背景與流行特徵驗證：比對題幹所述之時空情境（2021 年 4 至 7 月 Alpha 變異株本土疫情、三級警戒、疫苗不足），判定疫情受控係源自 NPIs 抑或群體免疫，排除 (C)。
3. 法規判定：確認主管機關對 COVID-19 之法定傳染病歸類，鎖定正解 (D)。

選項分析

核心觀念

本題考查流行病學中多重篩檢工具之合併運用（Multiple Screening Tests）與篩檢評估指標的消長關係：

1. 平行檢定（Parallel Testing / 並聯檢定）：

• 同時進行多種篩檢，只要任一檢驗結果為陽性，個案即判定為陽性。
• 目的在於「減少偽陰性、不漏抓病例」。
• 效果：提高淨敏感度（Net Sensitivity $\uparrow$），但會降低淨特異度（Net Specificity $\downarrow$）。

2. 序列檢定（Serial Testing / 串聯檢定）：

• 依序進行檢驗，第一階段陽性者才接受第二階段檢驗，兩者皆為陽性才判定為陽性。
• 目的在於「減少偽陽性、避免誤診」。
• 效果：提高淨特異度（Net Specificity $\uparrow$），但會降低淨敏感度（Net Sensitivity $\downarrow$）。

3. 盛行率（Prevalence）與陽性預測值（PPV）：

• 當疾病盛行率極低時，未罹病人口基數龐大，即使特異度很高，篩檢仍會產生大量的偽陽性（False Positive, FP）個案，大幅拉低陽性預測值。

4. 抗原快篩 vs. 抗體快篩之應用：

• 抗原快篩：偵測病毒結構蛋白，反映當前是否有活性病毒複製與傳染力，用於急性期快速識別隔離。
• 抗體快篩：偵測宿主免疫反應（如 IgM/IgG），反映過去或近期的感染史，常用於非流行期之血清流行病學調查。

解題方法

解題核心在於辨別「平行檢定」對診斷工具效度（Validity）指標的數學改變機制。

假設兩項檢驗工具（快篩與 PCR）相互獨立，其特異度分別為 $\text{Sp}_1$ 與 $\text{Sp}_2$： 在平行檢定下，個案必須「兩次檢驗皆判定為陰性」才會被歸類為陰性。因此： $\text{Net Specificity} = \text{Sp}_1 \times \text{Sp}_2$

由於特異度介於 $0$ 到 $1$ 之間（$\text{Sp}_1 < 1$ 且 $\text{Sp}_2 < 1$），兩者相乘之積必定小於個別檢驗之特異度（$\text{Net Specificity} < \text{Sp}_1$ 且 $\text{Net Specificity} < \text{Sp}_2$）。 因此，平行檢定必然導致特異度下降，題幹選項 (B) 宣稱「提高特異度」，敘述明顯錯誤。

選項分析

核心觀念

本題測驗流行病學與公共衛生介入措施評估中核心的「3E 評估指標」之定義與差異：

1. 成效／效能（Efficacy）：在理想且嚴格控制的條件（如隨機對照試驗，Randomized Controlled Trial, RCT）下，介入措施產生預期保護效果的能力。
2. 效果／實效（Effectiveness）：在真實世界日常環境或社區族群（Real-world / Community setting）中，常規推行介入措施時所觀察到的實際保護影響程度。
3. 效率（Efficiency）：評估介入措施所獲得的效果與其投入資源／成本之間的相對關係（如成本效果分析 CEA、成本效益分析 CBA）。

疫苗防護力（Vaccine Efficacy / Effectiveness, VE）的流行病學計算公式形式相同： $VE = \frac{ARU - ARV}{ARU} \times 100\% = (1 - RR) \times 100\%$ 其中 $ARU$ 為未接種疫苗組的罹病率（Attack Rate in Unvaccinated），$ARV$ 為接種疫苗組的罹病率（Attack Rate in Vaccinated），$RR$ 為相對危險度（Relative Risk）。然而，其指標性質（Efficacy 或 Effectiveness）取決於研究設計所處的環境與研究對象。

解題方法

本題題幹核心字眼為**「應用在社區族群的影響程度」**。

• 解題關鍵在於辨析研究情境是「嚴格控制的實驗室／臨床試驗」還是「日常實務下的社區族群」。
• 當疫苗走出臨床試驗（Phase III RCT），進入真實世界的公共衛生計畫，在社區族群廣泛施打時，會受到疫苗冷鏈保存、接種遵從度、族群年齡分佈、慢性病共病率等多重現實因素影響。此時所評估的整體保護力與影響程度，在流行病學定義上即為「效果（effectiveness）」。

選項分析

• (A) 錯誤：成效（efficacy）
• 定義為介入措施在「最佳或理想控制條件」（ideal, controlled conditions）下的效益。
• 通常在第三期臨床試驗（雙盲隨機對照試驗）中評估，用以回答「該疫苗在嚴格監控下是否具生物學上的防護能力？

核心觀念

本題測驗流行病學與實證公衛中**統合分析（Meta-analysis）**的定義、統計本質及其在公共衛生決策中的定位。

1. 統合分析（Meta-analysis）之定義：運用客觀、定量的統計學方法，將多篇針對相同研究主題之獨立研究結果加以彙整與合併，以計算出一個代表整體介入效果的綜合指標值（即成效值／效應值，Effect Size），藉此提高統計檢定力（Statistical Power）與估計之精準度。
2. 實證金字塔與公共衛生應用：在實證醫學（EBM）及實證公共衛生（EBPH）的證據階層中，高品質的系統性回顧與統合分析位於金字塔頂端，是制定臨床治療指引、公共衛生防制策略及疫苗政策的核心證據來源。
3. 系統性回顧 vs. 統合分析：

• 系統性回顧（Systematic Review）：屬於嚴謹的研究「檢索與回顧方法／流程」，包含明確的研究問題（PICO）、全面的文獻檢索、嚴格的納入排除標準及研究品質評讀。
• 統合分析（Meta-analysis）：屬於文獻數據的「量化統計合成方法」。系統性回顧不一定包含統合分析（若各研究異質性過高時，僅能做質性綜述）；統合分析必須建立在完善的系統性回顧之上。兩者不能畫上等號。

解題方法

本題屬流行病學文獻評讀與研究設計的觀念題。解題時應從**「統合分析的統計目的」**切入： 統合分析最主要的應用就是利用加權平均（如固定效應模型 Fixed-effects Model 或隨機效應模型 Random-effects Model）將個別研究的數值（如比值比 OR、相對危險度 RR、風險比 HR、均數差 MD）進行統計合成，預估出一個具代表性的整體成效值（Effect Size）。

核心觀念

本題整合考驗流行病學中「篩檢效益評估之偏差」、「篩檢工具的效度（Validity）指標連動」，以及我國衛生福利部推動之「國家癌症篩檢政策」：

1. 先導時間偏差（Lead-time Bias）：藉由篩檢提早診斷疾病，若未延後死亡時間，僅拉長從「確診」到「死亡」的帳面時間，會造成「篩檢延長存活期」的虛假效益。
2. 切點（Cut-off Point）與效度指標的消長：連續變項檢驗工具判定為陽性的門檻標準改變時，敏感度（Sensitivity）與特異度（Specificity）呈現反向變動的消長關係。
3. 篩檢計畫目標族群的選定原則：依據疾病自然史、可偵測臨床前期（Detectable Preclinical Phase, DPCP）、預期餘命與成本效益綜合評估，而非僅看年齡發生率。
4. 我國癌症防治政策常規篩檢項目：以命題當年（民國 110 年）政策為準，衛生福利部國民健康署常規補助之公費癌症篩檢為四大癌症。

解題方法

本題為「選錯題」，解題切入點如下：

1. 政策法規比對：先檢視選項 (B) 所列之常規公費癌症篩檢項目，辨識其中是否夾帶非屬四癌篩檢之癌別。
2. 流行病學學理驗證：逐一檢視選項 (A)、(C)、(D) 的流行病學定義與邏輯推論是否正確，確認 (B) 為唯一錯誤選項。

選項分析

• (A) 正確： 先導時間（Lead time）是指「透過篩檢提早診斷的時間點」到「若未做篩檢因出現臨床症狀而確診的時間點」之間的時差。如果篩檢並未實質延後死亡時間，僅把診斷時間點往前提，會導致以「確診日至死亡日」計算的存活時間在數值上虛增。此種偏差若在研究設計或統計分析時未予校正，會高估篩檢提升存活率的效益。

• (B) 錯誤（本題應選此項）： 以命題當年（民國 110 年）政策為準，衛生福利部國民健康署推動之公費「四大癌症篩檢」項目為：

1. 乳癌（乳房 X 光攝影檢查）
2. 子宮頸癌（子宮頸抹片檢查）
3. 大腸癌（定量免疫法糞便潛血檢查）
4. 口腔癌（口腔黏膜檢查）

核心觀念

本題測驗流行病學中疾病測量指標（Measures of Disease Frequency）的定義與應用，特別是精神流行病學（Psychiatric Epidemiology）常使用的終生盛行率（Lifetime Prevalence）。

1. 盛行率（Prevalence）：指在特定時間點或時間區間內，族群中存在某疾病（包含舊案與新案）的個案比例。本質為比例（proportion），數值介於 $0$ 到 $1$（或 $0\%$ 到 $100\%$）之間，無時間倒數的因次。
2. 終生盛行率（Lifetime Prevalence）：指受評估者在截至調查當下（或其一輩子當中），曾經歷過至少一次特定疾病發作的比例： $\text{終生盛行率} = \frac{\text{一生中曾罹患該病之累積人數}}{\text{調查之總族群人數}} \times 100\%$ 在精神疾患（如憂鬱症、雙極性疾患）的調查中，因疾病具有發作與緩解交替的特性，終生盛行率為評估疾病終生累積負擔的重要指標。

解題方法

1. 觀察數值型態：題幹數據為「$20\%$」，為無量綱的「比例（proportion）」，非以人時（person-time）為分母之率（true rate）。
2. 分析時間範圍與事件定義：題幹描述為「一輩子會發生至少一次」，此為衡量個體從出生到當前年齡的完整生命歷程中，是否曾有過該疾病狀態。精神流行病學將此類「終生曾有病史」的指標定義為終生盛行率。

選項分析

核心觀念

本題考查流行病學與預防醫學中的**「疾病預防層級（Levels of Prevention，Leavell & Clark 三段五級學說）」與「篩檢（Screening）的學理定義與核心目標」**：

1. 預防層級劃分：

• 初級預防（Primary Prevention）：針對「尚未罹病」的健康族群，透過健康促進與特殊保護（如疫苗接種、改善環境、戒菸），目的在於「降低疾病發生率（Incidence）」。
• 次級預防（Secondary Prevention）：針對處於「臨床前期（Preclinical phase / Latent phase）」且無症狀的潛在患者，主要工具即為**「篩檢（Screening）」**與早期診斷，目的在於早期發現、早期治療，藉此「降低疾病嚴重度」與「降低疾病死亡率（Mortality）」。
• 三級預防（Tertiary Prevention）：針對「已確診且有症狀」的患者，透過適當醫療、限制殘障與復健，目的在於減少併發症、維持功能與預防失能。

2. 篩檢的核心本質： 篩檢介入的時間點是「疾病已經產生，但尚未出現臨床症狀」的階段。因為疾病在病理上已經發生，所以篩檢本質上無法防止疾病的產生（無法降低疾病發生率）。

解題方法

從預防醫學的介入時間點與流行病學指標的對應關係切入判斷：

1. 介入時間點判斷：

• 篩檢所鎖定的對象為「體內已有病理變化、但尚未出現症狀」的個體。
• 既然病理變化已經發生，事件（新病例）已經形成，故篩檢本身無法阻止新案件的產生。

2. 目標指標判斷：

• 評估篩檢計畫是否有效、是否具成本效益的**最終黃金指標（Ultimate Endpoint）是降低疾病特異死亡率（Disease-specific mortality rate）**或病程嚴重度（Morbidity/Severity）。
• 「降低發生率」是「初級預防」的核心指標，並非篩檢的一般學理目的。

選項分析

• (A) 早期偵測疾病以便早期治療：正確（屬於篩檢的目的）。

核心觀念

本題測驗流行病學中**公共衛生監測（Public Health Surveillance）的基本定義與分類機制，核心在於釐清主動監測（Active Surveillance）與被動監測（Passive Surveillance）**的運作差異。

1. 公共衛生監測定義：世界衛生組織（WHO）與美國疾病管制與預防中心（CDC）定義監測為「持續（ongoing）、系統性地收集、分析、詮釋並即時傳播健康資料，以利公共衛生實務之規劃、執行與評估」。
2. 監測系統分類（依發動主體區分）：

• 被動監測（Passive Surveillance）：由基層醫療院所、醫師或醫事檢驗機構，依常規法規或指引將診斷或檢驗出的病例資料，定時或依法提報給衛生主管機關。衛生主管機關處於「被動接收」報告的狀態。
• 主動監測（Active Surveillance）：由衛生主管機關之公衛專業人員主動發起，透過定期電訪、實地訪查、調閱病歷或主動聯繫檢驗室與醫師，積極搜尋並蒐集特定疾病或健康事件的個案資料。通常用於疫情暴發調查、根除性疾病期（如小兒麻痺）或重大突發公衛事件。

解題方法

本題題幹要求選出「錯誤」的敘述。解題切入點在於區分「通報發動之責任主體」：

• 題目關鍵在於 (C) 選項的文字描述中，發動者是「各地醫療院所提報」，在流行病學專有名詞中，這屬於常規的被動監測體系；日常生活中雖稱院所「主動提報」，但在公衛流行病學嚴謹定義下，「主動監測」特指主管機關主動出擊調查。因此 (C) 之定義完全相反。

選項分析

核心觀念

本題考查傳染病流行病學（Infectious Disease Epidemiology）的核心特徵，以及其與慢性病流行病學之本質差異。

傳染病流行病學的重要特點包括：

1. 個案具有雙重角色：在慢性病中，暴露與疾病通常是單向的；而在傳染病中，患病個案本身就是病原體的宿主與傳播源，亦即「個案本身就是危險因子（A case is a risk factor）」。
2. 具備免疫與感受性動態：宿主受感染後可能產生免疫力（Immunity），改變群體中的感受性人口（Susceptible population）比例，進而影響流行動態（如 SIR 模式）。
3. 冰山現象（Iceberg concept）：大部分傳染病存在無症狀帶原者（Asymptomatic carrier）、潛伏期感染者或輕症未就診者，未確診的個案往往也是重要的感染源。
4. 傳染鏈（Chain of Infection）之阻斷：傳染病的發生依賴「病原體（Agent）— 傳染源／儲管宿主（Reservoir）— 傳播途徑（Mode of transmission）— 易感宿主（Susceptible host）」所構成的傳染鏈。流行病學的核心價值在於：只要能釐清傳播途徑並加以阻斷，即使尚未分離出具體病原體，依然能進行極為有效的公共衛生防治。

解題方法

本題要求選出敘述「錯誤」的選項。解題切入點在於檢視各選項是否符合傳染病流行特徵及公共衛生史上的經典防治原則：

• 逐一比對選項 (A)、(B)、(C) 對傳播源、宿主免疫反應及隱性感染之描述，均符合傳染病學理。
• 檢驗選項 (D)：回顧流行病學之父約翰·史諾（John Snow）於 1854 年倫敦霍亂事件中，在未知霍亂弧菌的情況下，僅憑調查水源與傳播途徑便拆除寬街抽水機手把（Broad Street pump handle）成功控制疫情的歷史事實，即可判定該選項違背公共衛生學的基本原則。

選項分析

• (A) 正確（非所選）： 在非傳染病中，個案罹病不會直接使周遭他人罹病；但在傳染病流行病學中，被感染的個案體內帶有病原體，能透過接觸、飛沫、空氣或病媒等方式傳播給其他易感宿主。

核心觀念

本題測驗疾病篩檢試驗中**陽性預測值（Positive Predictive Value, PPV）**的定義及其決定因素。

1. 基本定義： 陽性預測值是指在所有篩檢結果為陽性的人群中，真正患有該疾病者的比例： $PPV = \frac{TP}{TP + FP}$ 其中 $TP$ 為真陽性（True Positive）人數，$FP$ 為偽陽性（False Positive）人數。

2. 貝氏定理公式（Bayes' Theorem）： 若以篩檢工具的內在效度指標與族群疾病特徵表示：

• 敏感度（Sensitivity, $Se$）：患病者中篩檢陽性的機率。
• 特異度（Specificity, $Sp$）：未患病者中篩檢陰性的機率（偽陽性率即為 $1 - Sp$）。
• 盛行率（Prevalence, $P$）：目標族群中患有該疾病的比例。

則陽性預測值可表示為： $PPV = \frac{P \times Se}{P \times Se + (1 - P) \times (1 - Sp)}$

解題方法

由貝氏定理的推導過程切入分析：

設族群總人口數為 $N$：

• 族群中真正患病人數為 $N \times P$，其中篩檢呈陽性者（$TP$）$= N \times P \times Se$。
• 族群中未患病人數為 $N \times (1 - P)$，其中篩檢呈偽陽性者（$FP$）$= N \times (1 - P) \times (1 - Sp)$。

將人數代入 $PPV$ 定義式： $PPV = \frac{N \times P \times Se}{N \times P \times Se + N \times (1 - P) \times (1 - Sp)}$

核心觀念

本題旨在測驗流行病學中「病因學指標（強度指標）」與「公共衛生影響指標（衝擊指標）」的本質差異，以及「族群可歸因分率」（Population Attributable Fraction, PAF）的數學內涵與決策應用：

1. 相對風險（Relative Risk, $RR$）： 衡量危險因子與疾病之間的「相關強度（strength of association）」，代表暴露組相對於非暴露組罹病的倍數，主要用於病因學探討（etiological research）。
2. 族群可歸因分率（Population Attributable Fraction, $PAF$）： 又稱 Levin's attributable risk，表示在總族群的發病總數中，有多少比例是歸因於該危險因子；換言之，若在該族群中完全消除該危險因子，預期可減少的全體疾病發生率比例： $PAF = \frac{P_e(RR - 1)}{1 + P_e(RR - 1)}$ 其中 $P_e$ 為族群中危險因子的盛行率（prevalence of exposure），$RR$ 為相對風險。
3. 公共衛生資源配置優先序： 公共衛生決策以「群體效益最大化（population impact）」為優先考量。危險因子的介入價值取決於其對全人口造成的疾病負擔（即 $PAF$ 或族群可歸因危險度 $PAR$），而非僅看單一個人的致病風險或危險因子的罕見度。

解題方法

由題幹給定的 Levin 公式： $PAF = \frac{P_e(RR - 1)}{1 + P_e(RR - 1)}$

可將其移項改寫，反推暴露盛行率 $P_e$： $PAF \cdot [1 + P_e(RR - 1)] = P_e(RR - 1)$ $PAF = P_e(RR - 1)(1 - PAF)$ $P_e = \frac{PAF}{(1 - PAF)(RR - 1)}$

由公式可知：

• $PAF$ 是 $P_e$（盛行率）與 $(RR - 1)$（超額相對風險）的共同遞增函數。
• 若 $RR$ 很高但 $P_e$ 極低，因暴露人口稀少，該危險因子在全體人口中產生的 $PAF$ 依然很低。
• 若 $RR$ 僅為輕中度升高但 $P_e$ 極高，因暴露廣泛，該危險因子在全體人口中造成的 $PAF$ 依然相當可觀。
• 檢驗各選項時，可透過定性關係與定量反推，驗證敘述是否符合流行病學原理及公共衛生決策邏輯。

選項分析

• (A) 正確： 已知該年齡層之 $RR = 1.8$（故 $RR - 1 = 0.8$），且 $PAF = 22.9\% = 0.229$。 反推其糖尿病盛行率：

核心觀念

本題測驗流行病學中「群體免疫門檻（Herd Immunity Threshold, HIT）」的數學原理與理論假設前提：

1. 基本群體免疫門檻公式： 在理想狀態下，阻斷疾病在群體中持續傳播所需的具免疫力人口比例（臨界免疫率 $I_c$）為： $I_c = 1 - \frac{1}{R_0}$ 若疫苗具備 100% 完全保護力且能完全阻斷傳播，則所需之疫苗接種率 $p$ 即滿足： $p > 1 - \frac{1}{R_0}$
2. 公式的基本假設（Assumptions）：

• 隨機均質混合（Random / Homogeneous mixing）：群體內所有個體彼此接觸、傳染的機率完全相同，無空間或社會分層的群聚現象。
• 完全保護效果（Sterilizing immunity & $V_e = 100\%$）：接種者皆獲得完全免疫且不再傳播病原體。

3. 考慮疫苗效果（Vaccine Effectiveness, $V_e$）的修正公式： 若疫苗保護效果未達 100%（$V_e < 1$），則所需實際接種率應修正為： $p > \frac{1 - \frac{1}{R_0}}{V_e}$

解題方法

本題切入點在於檢驗該公式的「數學函數關係」與「流行病學流行模型之前提假設」：

1. 數學增減性檢驗： 觀察 $p$ 與 $R_0$ 的反比導數關係，確認基礎再生數對所需接種率的邊際影響。
2. 流行病學假設限制檢驗： 簡化公式成立的基石為「母體均質混合」。當真實世界存在「非均質混合（Heterogeneous mixing）」或「群聚（Clustering）」時，即使全人口的平均接種率帳面上達標，特定高風險或未接種次群體（Core group）內部的局部再生數仍可能大於 1，進而爆發群聚疫情並瓦解整體群體免疫。

選項分析

• (A) 錯誤： 依公式 $p > 1 - \frac{1}{R_0}$，當基礎再生數 $R_0$ 越高時，$\frac{1}{R_0}$ 越小，因此 $1 - \frac{1}{R_0}$ 越大。