●傅涵／倫敦衛生與熱帶醫學院博士後研究員
●辜鉅璋／倫敦帝國理工學院博士後研究員
●伍倢瑩／台灣大學公共衛生學院研究專員
●林先和／台灣公共衛生學會秘書長
●陳保中／台灣公共衛生學會理事長
「用紐西蘭疫情走向評估台灣，大約6月中旬本波疫情會結束。」—評估A
「台灣的感染人數若能達到6至7成，便可達到群體免疫，估計不會超過1個半月，疫情高峰將下降、結束大流行的狀況。」—評估B
「日前曾推估單日確診數會超過10萬例，但實際增加數量為接近6萬例。根據數學模型的推估，疫情有高低的推估，無法每天都非常準確。」—評估C
最近的新聞報導中，針對疫情高峰的時間點、規模、持續長度的評估及推測時常出現，在指揮中心記者會中也屢屢提及相關的問題，相信台灣大眾對上述這些論述都不陌生。隨著台灣近日COVID-19確診人數攀升，越來越多專家參與未來疫情走向的討論，提出相似或相異的見解。在此，我們擷取並修改最近在新聞媒體中看到的疫情趨勢評估，從以上列舉的三個例子出發，從流行病學觀點來討論我們該如何評析與解讀來自各方的疫情趨勢的推測與見解。
每個疫情評估都是一個傳染病模型
首先，我們可以將不同的疫情推測與評估都視為不同的「傳染病模型」。有些評估藉由觀察其他國家的歷史資料，設想台灣疫情接下來可能的狀況；有些評估結合通報資料，建立傳染病數學模型來模擬疫情的走向。模型的型態千變萬化，廣義來說，是種將現實中的複雜事物以簡化後的呈現。每個模型提供者會因為考量的重點不同，簡化過程中加入了不同的假設、採用了不同的資料、關注不同的指標，進而得到不同的評估結果。依據不同假設及資料所建置的模型，並沒有對錯之分，是不同推論過程的展現；但是模型使用者在解讀及評析後，會根據自己需求賦予模型結果不同的價值，也會根據自己的考量給予不同的信心程度，因而採取不同的決策與行動。
▲不同的疫情推測與評估都可視為不同的「傳染病模型」。廣義來說，是種將現實中的複雜事物以簡化後的呈現。（圖／記者李毓康攝）
仔細檢視模型使用的資料及假設
模型的使用者在解讀各種疫情評估時，往往須回溯到背後的資料及假設，檢視合理性及完整性後，才能評斷這些評估結果帶來的意義，並歸納出採信的程度及內容。在檢視模型時要注意的是，有時候假設並不明顯，例如評估A將紐西蘭流行狀況類推到台灣，便隱含了兩地的傳播情形、染病風險、人群接觸狀態相似的假設。有時候假設並不清楚，例如評估B是否假設感染一次便永遠免疫、短時間內沒有再感染的可能性，便有待與模型提供者再確認。還有很多時候假設與資料並沒有完整公開，例如評估C提及的數理模型便缺乏輔助的研究報告來說明方法與資訊。而模型使用的資料也會影響使用者對於評估結果的判斷，包含資料來源是否可信、蒐集過程是否客觀、資料品質是否有恰當管理等，都是檢視模型時的重要考量因素。
確定疫情指標及觀察內容的定義
在討論疫情評估時，清楚定義的指標能夠讓模型提供者與使用者站在相同的基礎上交流。例如評估B提到的「疫情高峰」，即是一例尚未明確定義的指標，讓解讀時產生許多疑惑：這個高峰指的是發生感染的高峰嗎？還是指個案通報的高峰？抑或是指中重症醫療需求的高峰？另外，評估A和B所提及的「流行結束」也有許多種詮釋方式，例如通報個案數清零、低於某個數值、或連續幾日不再上升？目前所見的疫情趨勢評估，多半對於所使用的指標沒有明確的定義，不僅可能使模型提供者與使用者間產生認知落差，不同模型的結果難以比較，在應用至決策時也可能造成偏誤。
疫情指標的定義之所以重要，是因為每個指標都代表著不同的觀察或估計結果，亦可延伸出不同的意涵。例如COVID-19傳染風險的高峰其實難以直接觀察，通常透過人群接觸狀況的替代指標（如個人通訊設備紀錄的移動情形、在家工作比例等）來推定，或是搭配具備代表性的感染抽樣調查來驗證；通報或確診因為症狀發展及檢驗作業的時間差，會比感染延遲幾天出現，同時受到檢驗量能影響，確診數與實際感染會出現不等規模的差距；中重症的高峰也受到自然病程發展的影響，大多比確診時間再延遲幾天出現，並且因為感染者的年齡分布及疫苗接種史而呈現不同的趨勢。這些觀察指標彼此之間也會牽動影響，也會隨著時間及防疫政策變化，再加上地域性的差異讓解讀上也更具挑戰性。
▲COVID-19傳染風險的高峰其實難以直接觀察，通常透過人群接觸狀況的替代指標，或搭配具備代表性的感染抽樣調查來推定、驗證。（圖／記者李毓康攝）
探索評估的不確定性與複雜性
傳染病傳播具有高度不確定性，在面臨如COVID-19的新興傳染病時更是如此。疫情評估若能恰當呈現不確定性的範圍及探討影響不確定性的主要因素，將有助於傳播狀態的理解及防疫策略的規劃。本文開頭的三個舉例在描述主要結果時，皆有提供些許對於不確定性的評估，例如評估A提及疫情高峰的時間範圍為六月中旬、評估B也提及感染比率介於6至7成之間、評估C亦提及模型有高及低推估的確診人數。可惜的是，這些例子對於影響推估範圍的主要因素較少著墨，不確定性的來源究竟是年齡別疫苗覆蓋率、治療藥物使用率、或是人群移動頻率及範圍、還是公衛措施的施行程度其實並不清楚。
傳染病傳播的不確定性與其複雜的本質大有關聯，其中一個探索複雜性的方向是透過由病原體、宿主、環境所組成的「傳播金三角」來思考，考量三層面各自的作用和互動會如何影響疫情的發展。以COVID-19的傳播為例，在解讀評估結果的不確定性與複雜性時，可從以下三個層面來探討模型假設對於感染高峰人數的影響，包含變異株病毒的傳播力及致病力（病原體）、人群之間接觸情形與防疫行為及態度的變化對感染數的（宿主）、公衛措施的執行狀況及效果（環境）。
理解推測（projection）與預測（forecast）的差異
對於未來疫情趨勢的評估，目前所見的各種模型僅能提供「推測」，即給定特定情境，分析接下來疫情可能的走向。常見的情境包括維持現狀，在假定接觸頻率、疫苗覆蓋率、檢測量能、管制措施皆與現在狀態相同下，觀察確診與中重症人數的變化。我們也可以設計不同的情境，例如變異株的傳播力上升或下降、不同程度的疫苗施打覆蓋率、篩檢試劑存量的多寡、停課時間的長短等，來預先準備醫療及社會資源、或了解政策的可能效果。這些給定情境的疫情「推測」有別於如氣象報告提供的「預測」──仰賴長期蒐集的歷史資料，並建立於持續發展與驗證的分析方法，來預估未來最可能發生的結果。有鑒於以上所描述的關於傳染病傳播的種種不確定性與複雜性，我們可以知道，要針對疫情進行準確的「預測」是相當困難的。相對來說，我們卻可以從不同情境（例如不同的檢測量能）之下的所做的「推測」，得到可以輔助衛生決策的重要資訊。而在呈現推測結果時，清楚描述情境的內容及假設，將會是洽當解讀與應用評估結果的關鍵（尤其是不要將推測的結果直接解讀成預測）。
▲傳染病的傳播充滿不確定性與複雜性，要針對疫情進行準確的「預測」是相當困難的。（圖／記者李毓康攝）
「所有的模型都是錯誤的，但有些是有用的。」—英國統計學家喬治．巴克斯
在這次的COVID-19大流行中，可以觀察到許多國家使用數理模型來探討疫情走向及評估介入措施的效果。即便使用數理模型這類具有整合多重假設與資訊的工具，本質複雜與多變的傳染病傳播特性仍然需要一定程度的簡化來描述與建構，因此沒有所謂完美的模型。但是不完美的模型仍可能有其用處，透過對單一模型的檢視、或不同模型間的比較，可以增進我們對於傳染病傳播認識，了解主要的影響因素及不確定性的來源，也找出需要更多科學研究來填補的知識缺口。
本文從流行病學的觀點出發，提出幾個解讀疫情評估模型時可以切入的面向。我們期盼看到更多模型提供者分享完整透明的評估方法，使用者能夠檢視疫情評估背後的假設與資料後、再做出判斷與決策，甚至進一步將疑問及建議回饋給模型提供者，促進台灣防疫政策的科學討論。
熱門點閱》
● 以上言論不代表本網立場。歡迎投書《雲論》讓優質好文被更多人看見，請寄editor88@ettoday.net或點此投稿，本網保有文字刪修權。
我們想讓你知道…傳染病的傳播充滿不確定性與複雜性，要針對疫情進行準確的「預測」是相當困難的。但我們可從不同情境之下的所做的「推測」，得到可以輔助衛生決策的重要資訊。