Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

過勞真的會死嗎?超時工作對健康的影響

miss9_96
・2017/11/23 ・2066字 ・閱讀時間約 4 分鐘 ・SR值 567 ・九年級

根據勞動部104年職業病給付概況來看,因過勞死(腦心血管疾病)而申請給付的人數為26人,是造成死亡人數最多的職業病、佔死亡人數的七成。臺灣勞工2016年平均年工時為2034小時,雖然相比起來是這十年最低,但仍超過2000小時,而每週經常性工時平均約為43.28小時(資料來源:國際勞動統計)。

「過勞」、「超時工作」似乎成了台灣勞工的代名詞,近日更由於勞基法修法爭議的關係,不只朝野爭議不休,網路上亦有許多的相關討論。且由於活力旺企業協會榮譽理事長蕭明仁的一句話:「台灣哪裡有勞工有過勞死?幾乎沒有, 如果有,本來就是自己生病。」讓關於「過勞死」的議題再度浮上了檯面。

那就讓我們藉此來討論這個重要的問題吧:勞工真的會因為長時工作而生病嗎?

勞工真的會因為長時工作而生病嗎?圖 / Pexels

高工時工作對健康的影響是?

心血管疾病(如冠狀動脈堵塞、中風等至今仍是相當棘手的疾病。近年來,研究指出工作壓力、加班、工作不穩定等因素,都可能會增加罹患心血管疾病的風險[1]。

-----廣告,請繼續往下閱讀-----

2015年十月,醫學權威雜誌《刺胳針》(The Lancet)發表了一篇跨國性的報告,彙整了歐、美和澳洲的研究,其中包括了超過六十萬名的勞工,平均追蹤8.5年 [2]。結果發現每週工作超過55小時的勞工,和工作36-40小時的勞工相比,高工時的勞工罹患中風的風險增加了33%。而即使是工時稍短的情況(每週49-54小時),中風風險仍會增加27%(圖一)。顯見工作時數增加,勞工的健康情況有可能因此而變差。

圖一:《刺胳針》之研究分析,中文資訊為本文作者加註,圖/參考文獻 2。

然而,影響疾病的因素極多,包含職業、性別、社會地位等,都會影響罹病的機率[4],因此各國也分頭進行國內研究。2017 年,中國科學家發表了一篇報告,指出長時間工作者(特別是每週超過 55 小時),更有可能會罹患心血管疾病;甚至於是久坐不動的工作,也是屬於高風險的職業[4]。而相鄰的韓國研究也顯示,長時間工作確實和不良的健康有關,而且女性勞工受到的影響更嚴重[5]。作者認為,可能是因為女性必須同時應付家庭和工作,在傳統社會性別角色的壓力下,女性勞工受到長時間工作的影響會更嚴重[5]。

久坐不動的工作是罹患心血管疾病的高風險職業,女性所受的影響也比男性高。圖/by pixabay。

那麼有沒有台灣相關的研究呢?台灣大學健康政策與管理研究所的鄭雅文教授團隊,在 2014 年時曾針對長工時、短睡眠和心臟病的關係發表研究[6]。鄭教授認為,相較於短工時(每週工作 40~48 小時),長工時的勞工(每週工作 60 小時以上)罹患心臟病的風險確實比較高。但如上文所述,影響心血管疾病的因素眾多,難以就單一因素而定論。鄭雅文教授和日、韓學者共同發表的研究認為,心血管疾病的影響因素,不見得僅有工時長短的影響,若能減少工作環境的壓力,也許能改善勞工罹患心血管疾病的機會[7]。

台灣應建立國內的研究

工時長短和勞工的健康,其影響因素十分複雜,並非簡易的單向關係就能解釋,例如工時長的職業可能兼具社會經濟地位低落、工作不穩定等眾多不良因素,以日本的研究為例,該研究發現交通運輸業的中風、心臟病的風險比較高,其原因可能是工時、工作型態等[4]。而目前為止,絕大多數的研究皆認為,過長工時將使勞工罹患心血管相關疾病的機率提高。

-----廣告,請繼續往下閱讀-----

站在維護人民健康的立場,建議我國衛生主管機關應針對影響勞工健康之眾多因素(如:工時、職業別、約聘雇等),進行長時間之研究,以了解在我國環境影響之下,工時等相關因素和勞工健康的關係。同時應將所有數據公開,以利民間組織再加值利用,以協助維護我國人民的身心健康,同時也可以提供給其他單位做為政策參考。

圖/by caio_triana@pixabay。

參考文獻

  1. Yao Ma, Ying-Jun Wang, Bing-Rui Chen, Hao-Jie Shi, Hao Wang, Mohammad Reeaze Khurwolah, Ya-Fei Li, Zhi-Yong Xie, Yang Yang, Lian-Sheng Wang (2017) Study on association of working hours and occupational physical activity with the occurrence of coronary heart disease in a Chinese population. PLoS One
  2. Mika Kivimäki, Markus Jokela, Solja T Nyberg, Archana Singh-Manoux, Eleonor I Fransson, Lars Alfredsson, Jakob B Bjorner, Marianne Borritz, Hermann Burr, Annalisa Casini, Els Clays, Dirk De Bacquer, Nico Dragano, Raimund Erbel, Goedele A Geuskens, Mark Hamer, Wendela E Hooftman, Irene L Houtman, Karl-Heinz Jöckel, France Kittel, Anders Knutsson, Markku Koskenvuo, Thorsten Lunau, Ida E H Madsen, Martin L Nielsen, Maria Nordin, Tuula Oksanen, Jan H Pejtersen, Jaana Pentti, Reiner Rugulies, Paula Salo, Martin J Shipley, Johannes Siegrist, Andrew Steptoe, Sakari B Suominen, Töres Theorell, Jussi Vahtera, Peter J M Westerholm, Hugo Westerlund, Dermot O’Reilly, Meena Kumari, G David Batty, Jane E Ferrie, Marianna Virtanen. (2015) Long working hours and risk of coronary heart disease and stroke: a systematic review and meta-analysis of published and unpublished data for 603838 individuals. The Lancet, 386, 1739-1746
  3. Ro-Ting Lin, Cheng-Kuan Lin, David C. Christiani, Ichiro Kawachi, Yawen Cheng, Stéphane Verguet, and Simcha Jong. (2017) The impact of the introduction of new recognition criteria for overwork-related cardiovascular and cerebrovascular diseases: a cross-country comparison. Scientific Reports. 7, 167. DOI: 10.1038/s41598-017-00198-5
  4. Koji Wada, HisashiEguchi, DavidPrieto-Merino (2016) Differences in stroke and ischemic heart disease mortality by occupation and industry among Japanese working-aged men. SSM – Population Health. 2, 745-749
  5. Seong-Sik Cho, Myung Ki, Keun-Hoe Kim, Young-Su Ju, Domyung Paek and Wonyun Lee (2015) Working hours and self-rated health over 7 years: gender differences in a Korean longitudinal study. BMC Public Health
  6. Cheng Y, Du CL, Hwang JJ, Chen IS, Chen MF, Su TC, Working hours, sleep duration and the risk of acute coronary heart disease: a case-control study of middle-aged men in Taiwan, International Journal of Cardiology, 419-422
  7. Cheng Y, Park J, Kim Y, Kawakami N., The recognition of occupational diseases attributed to heavy workloads: Experiences in Japan, Korea and Taiwan., International Archives of Occupational and Environmental Health, 7,791-799
-----廣告,請繼續往下閱讀-----
文章難易度
miss9_96
170 篇文章 ・ 1084 位粉絲
蔣維倫。很喜歡貓貓。曾意外地收集到台、清、交三間學校的畢業證書。泛科學作家、科學月刊作家、故事作家、udn鳴人堂作家、前國衛院衛生福利政策研究學者。 商業邀稿:miss9ch@gmail.com 文章作品:http://pansci.asia/archives/author/miss9

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

2
1

文字

分享

0
2
1
她堅信自己已死:中風婦人的幻覺揭開科塔爾症候群的面紗——《大腦獵奇偵探社》
行路出版_96
・2024/08/22 ・2792字 ・閱讀時間約 5 分鐘

海爾妲的中風與奇異妄想

十八世紀末,七十歲的丹麥婦人海爾妲(Hilde)正在家中煮飯時,大腦突然缺血,情況不妙。海爾妲運氣很差,因為人類的腦細胞對缺血的耐受度近乎於零。少了血液,神經元(大腦裡的主要細胞)很快就會缺少氧與葡萄糖等必需物質;神經元會在短短幾分鐘內開始死去。若持續缺血,神經元會以驚人的速度消亡──每分鐘死掉將近兩百萬個。這一分鐘內消亡的神經纖維長度可達約十二公里(神經纖維是神經元向外延伸的軸突,負責在細胞之間傳遞訊號)。 簡言之,缺血會摧毀大腦。這種可怕的情況叫做中風,海爾妲中風了,她因此陷入昏迷。

海爾妲的案例細節來自一篇發表於一七八八年的科學論文。這篇論文沒有提到海爾妲的家人對她昏迷四天後醒來做何反應,但可以想見他們應該如釋重負。不過聽到海爾妲堅稱自己是死人,剛剛放下心中大石他們大概再次遭受暴擊。請注意,海爾妲說的不是她有瀕死經驗──看見隧道盡頭的那道光,最後一刻又被拉回人間──不是,她在與家人交談的時候說自己不是活人。

海爾妲並非是因為經歷過頻死經驗,才認定自己已死,而是談話時說自己不是活人。 圖/envato

我們是透過十八世紀瑞士科學家查爾斯.邦納(Charles Bonnet)的文章認識海爾妲的。 邦納是專業律師,但如同那個年代大部分的天才人物,他涉獵多個不同領域,決定投入科學研究就像我們現在決定追新劇一樣輕鬆隨意。令人驚訝的是,儘管態度輕鬆隨意,他的研究可是成果豐碩。

例如,邦納記錄了蚜蟲的無性繁殖過程,率先證實性別不是繁殖的先決條件(園丁都很熟悉也很討厭這種惱人的小蟲子)。他的其他昆蟲學研究,也為發現昆蟲如何呼吸提供重要助力。後來他的興趣轉向植物學,他的研究為後來發現二氧化碳與氧經由葉子進出植物奠定了基礎。以一個沒受過正式科學訓練、研究科學僅是嗜好的人來說,他還算厲害。

-----廣告,請繼續往下閱讀-----

我們運氣不錯,因為邦納也對異常的人類行為有興趣,例如海爾妲。老實說,海爾妲不是她的真名。也有可能是。邦納在描述她的情況時從未提到她的名字。如同科學文獻裡的許多醫學案例,邦納沒有寫下海爾妲的真名大概是為了保護她的隱私。我在此用這個常見的丹麥名字,方便我們討論她。

海爾妲中風之前,心理健康不曾出過大問題,所以她的奇特行為更加令人費解。家人想說服她相信自己並不是死人,畢竟她正好好坐在那兒跟大家講話。她康復了,這應該是對生命心懷感恩的時刻。但海爾妲一點也不開心。她變得暴躁易怒,責怪家人沒有為她舉辦告別式,實在太不像話。她要求家人幫她換裝,把她放進棺材裡,舉辦一場配合她身分地位的葬禮。

大家都希望海爾妲的幻覺會漸漸消失,但她的堅持有增無減,還開始口出威脅。似乎只有順從她的意願才能真正安撫她。她的家人半推半就地同意了。他們用裹屍布包裹她(十八世紀的丹麥顯然流行使用裹屍布),假裝正在為她安排葬禮。海爾妲對裹屍布的包法百般挑剔,用老師的嚴格口吻抱怨裹屍布不夠潔白,最後她終於安穩躺下、漸漸入睡。

家人為她脫掉裹屍布,把她挪到床上,希望這場鬧劇可以到此為止。沒想到海爾妲醒來之後依然故我,立刻堅持自己必須下葬。家人不願意真的把海爾妲埋進土裡(即使只是為了安撫這位吵鬧不休的病人,他們也不肯假裝將她下葬),所以他們只剩一條路可走:等待這奇怪的幻覺自動消失。

-----廣告,請繼續往下閱讀-----

後來幻覺真的消失了──可惜只是暫時的。每隔幾個月,幻覺就會從頭再來一遍,海爾妲深信她已經死了,不明白為什麼只有她看清這個事實。

海爾妲在認知現狀時,對於自己是「已死」的狀態深信不疑。 圖/envato

科塔爾症候群:明明活著,卻堅稱自己死了?

在邦納記錄這個事件之前,科學文獻裡沒有出現過海爾妲這樣的案例。但在那之後,科學文獻收錄了許多類似案例。由於類似案例夠多,我們可以相信海爾妲不是神經學上的偶發特例,這是一種症狀明確的神經疾病,而且症狀或可預測。這種疾病非常罕見,很難預估可靠的發生頻率,但沒有罕見到無人知曉,它的名字是:科塔爾症候群(Cotard’s syndrome)

病名源自法國神經學家朱爾斯.科塔爾(Jules Cotard),他生活於十九世紀下半葉。一八七四年,科塔爾在巴黎近郊的一個小鎮工作,碰到一名患者說自己沒有腦、神經和腸子。她宣稱自己不需要吃東西也能活著,而且感覺不到疼痛。關於疼痛的部分似乎可信:科塔爾的文字紀錄說他「把大頭針深深刺進」她的皮膚裡,她卻毫無反應(和現在相比,十九世紀的醫生不用太擔心醫療糾紛)。

科塔爾稱這位病患為 X 小姐,她的情況不是相信自己是死人,而是認為自己處於某種中間狀態──既非生,亦非死。她擔心自己會永遠困在這種不明不白的狀態裡,所以渴望真的死去。她認為只有活活燒死──雖然缺少有力的證據──才能讓她得到真正的死亡。她試著自己動手證明這個想法,所幸沒有成功。科塔爾對 X 小姐的情況很感興趣,他查找過去有沒有類似案例,沒想到居然找到好幾個。有人說自己正在慢慢腐爛,有人說自己沒有血液或是沒有身體,還有人被拋進永恆的虛無裡,或是處於某種存在的分歧狀態。

-----廣告,請繼續往下閱讀-----

科塔爾認為,他們的症狀屬於同一類疾病。他稱之為否認妄想(délire de negations)。妄想指的當然是患者對明顯虛假的事情深信不疑,科塔爾用否認一詞來形容這些病患最顯著的特徵:他們否認自己擁有(對多數人來說)生存不可或缺的東西。

科塔爾過世幾年後,另一位科學家在寫到否認妄想時,稱這種疾病為科塔爾症候群。從那之後,這種疾病曾被稱為科塔爾症候群、科塔爾妄想症,有時也叫做活死人症候群。科學家大多避免使用「活死人」這個詞,因為自稱死亡只是科塔爾症候群的諸多表現方式之一(而且這種不科學的誇飾用語,大部分科學家一聽就尷尬),前面介紹過的幾種存在狀態反而比較常見。

科塔爾症候群還有許多其他症狀,例如冷漠、感覺變敏感或變遲鈍、感覺不到飢餓或口渴(並因此絕食或脫水)、出現幻覺、焦慮、嚴重憂鬱、自戕、有自殺傾向等,這裡列出的僅是一小部分。患者否認自身存在,這讓他們的病情聽起來像小說情節。

——本文摘自《大腦獵奇偵探社:狼人、截肢癖、多重人格到集體中邪,100個讓你洞察人性的不思議腦科學案例》,2024 年 7 月,行路出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

行路出版_96
21 篇文章 ・ 8 位粉絲
行路為「讀書共和國」出版集團旗下新創的出版社,出版知識類且富科普或哲普內涵的書籍,科學類中尤其將長期耕耘「心理學+腦科學」領域重要、具時代意義,足以當教材的出版品。 行路臉書專頁:https://www.facebook.com/WalkPublishing

0

0
0

文字

分享

0
0
0
不到 50 歲竟中風?揭露「頸動脈剝離」的真相與預防方法
careonline_96
・2024/08/16 ・1698字 ・閱讀時間約 3 分鐘

-----廣告,請繼續往下閱讀-----

「你知道嗎?隔壁卜先生不到 50 歲,昨天突然就中風了呢!」

「哇!上個星期看到卜先生時,看起來人還好好的呢!」

「聽說是『頸動脈剝離』引起中風的,你之前聽過這個病嗎?」

相信很多人已經聽過「主動脈剝離」這樣會引發胸痛、血壓下降、甚至猝死的急症,不過呢,動脈剝離不只會發生於主動脈,也可能出現於其他位置的動脈。今天我們來看看另一位置發生的動脈剝離疾病—頸動脈剝離。頸動脈剝離患者的年齡比較輕,最常發生於 40 歲至 50 歲之間的患者身上,因此頸動脈剝離是 50 歲以下患者罹患中風的常見原因之一。

-----廣告,請繼續往下閱讀-----

要了解頸動脈剝離,我們需要先來分別了解頸動脈的重要性和什麼是動脈剝離。頸動脈位在脖子兩側,負責供應通往頭頸部與腦部的血流。第一部分稱為總頸動脈,左側的左總頸動脈由主動脈直接發出,右側的右總頸動脈由頭臂動脈發出;之後總頸動脈在頸部會分支成外頸動脈與內頸動脈。外頸動脈負責了支援臉部與頭皮的血流;內頸動脈則提供了腦部前方的血流。有了這個基本概念後,我們可以知道萬一頸動脈出了事情,很可能會造成頭頸部與腦部出現症狀。

至於動脈剝離的概念,需要先了解血管壁有分層,動脈剝離代表血管壁最內層的內皮受傷,出現裂痕,以至於血管內的血液經過內層裂痕,進到血管壁分層之間,並將血管壁分層撐開,導致血管壁鼓脹。這時,血流速度會因此減緩,甚至停住,還會形成血塊栓子;鼓脹的血管壁也會壓迫到周遭的組織與神經,進而造成症狀。

頸動脈剝離的原因

所以,究竟什麼原因會讓頸動脈的內皮受傷,出現裂痕,而導致了頸動脈剝離呢?若長期血壓高,有抽菸習慣,或本身有結締組織疾病「馬凡氏症候群」,都會讓血管壁比較容易受傷,出現裂痕,因此導致了頸動脈剝離。

另外,頸部受到外傷,或者活動、運動過於激烈,也會造成血管壁受傷。於是,車禍是頸動脈剝離的常見原因。而玩雲霄飛車、滑雪、潛水、玩彈跳床、或按摩,甚至是咳嗽突然間太大力,都曾出現引發頸動脈剝離的案例。

-----廣告,請繼續往下閱讀-----

頸動脈剝離的症狀、診斷、與治療

頸動脈剝離後,通往頭頸部與腦部的血流速度降低,血流不足,可能會造成頭痛、脖子痛、眼睛痛、頭皮疼痛。有些患者的症狀就只有疼痛而已,但有些患者在頸動脈剝離後,會出現單側眼皮垂墜並瞳孔縮小、單側肢體無力等中風症狀,這些症狀可以是突然出現,也可能在頸動脈剝離後幾天內逐漸浮現。

若臨床檢查擔心有頸動脈剝離的可能,醫師會安排頸部血管攝影檢查。確認診斷為頸動脈剝離後,需要用抗凝血劑或抗血小板聚集的藥物,減少血管內血塊栓子的形成。部分案例需要用頸部血管支架。

避免頸動脈剝離

血管的健康很重要,而要維繫血管健康,一定要養成健康的生活習慣,並避免讓頸部受鈍挫傷。不要使用菸草或抽菸,定期檢查血壓並治療高血壓,保持規律運動習慣,但要避免會容易讓頸部受傷,較危險的活動運動。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。