Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

人類壽命無極限?「死亡率高原」的研究之爭

淨妍
・2018/08/13 ・2733字 ・閱讀時間約 5 分鐘 ・SR值 566 ・九年級

「有沒有那麼一個明天,重頭活一遍,讓我再次感受,曾經揮霍的昨天。」五月天的歌曲《如煙》用詩意的歌詞,道出人們心中對時間與生命的渴望。科學家花了幾個世紀探索生命的秘密,究竟,人類的壽命是否存在上限?

人類壽命的極限一直是科學家很想知道的問題。圖/pixibay

什麼是「死亡率高原」?從果蠅身上得到的啟示

近日《Science》發表了一篇論文,為人類壽命上限的問題提供了一種解答:研究結果顯示,「死亡率高原」(mortality plateau) 確實存在於人類身上。「死亡率高原」究竟是什麼?存在於人類身上又有什麼樣的意義?

要釐清何謂「死亡率高原」,首先要了解「死亡率」的概念。死亡率的研究最早可回溯至 1825 年,英國皇家學會的數學家班傑明.岡珀茨 (Benjamin Gompertz) 運用統計學方法,計算出死亡率定律:動物的死亡率會隨著年齡增加而指數性成長。也就是說,動物從出生的那一瞬間,死亡的可能性就會不斷增加。「越老越有可能死」聽起來很合理,但如果死亡率不停增加,是不是會在某個特定的年紀達到 100%,成為動物的年齡上限?

針對這個問題,近代科學家提出一種假說:死亡率的增長不會一直持續,到了某個年齡便不會再提升,平穩地維持一樣的數值。因為根據定義畫出的死亡率曲線圖,形狀與高原類似,所以這種假說被稱為「死亡率高原」。

-----廣告,請繼續往下閱讀-----

「死亡率高原」可能發生在任何動物身上,以觀察果蠅壽命的實驗為例,科學家發現它們的死亡率從出生那刻起便不斷上升,但在超活了 60 天之後,死亡率便不再有大幅度成長,而非趨近於 100%。也就是說,單純從數據推測,擁有死亡率高原現象的動物,它們的壽命有可能不存在上限。(但究竟有沒有上限暫時未知)

左圖 (A) 為公果蠅的死亡率變化圖,右圖 (B) 則為母果蠅的死亡率變化圖。不論性別,果蠅在存活超過60天後,死亡率便不再持續穩定的大幅上升。圖/EVOLUTION 圖片重製/戴淨妍

死亡率高原研究之爭 到底在爭什麼?

「死亡率高原」是否通用在人類身上,是研究者一直以來爭論的議題之一,並分為兩派說法:一部分研究者認為死亡率會隨著年齡不斷提升,就算科學再進步,人類壽命的提升依然存在極限;另一部分則相信死亡率高原的存在,未來人類的壽命將超乎我們的想像。

人類的死亡率隨著年齡攀升直到105歲,維持在穩定的數值。圖/nature 圖片重製/戴淨妍

而此次發表的研究之所以能宣稱死亡率高原確實存在於人類身上,依靠的是數據蒐集的突破性發展。人類壽命是否存在極限的研究,其實是藉由統計人們的死亡年齡,再用數學方法計算得來,因此,那些年紀過百的「超級人瑞」們的年齡數據正確與否,和研究的精確度事關重大,但在以往資訊流通十分不便的年代,爺爺、奶奶們的年齡很容易被灌水,往往讓科學家一個頭兩個大。

事實上,岡珀茨在 1852 年提出死亡率定律時,他同時也補充到:「死亡率的成長不會一直持續,而是有一定的上限。」但由證據不足,連他自己也不太確定這句話的真實性,所以這樣的說法就暫時被擱置在一旁。直到 1990 年後,數據蒐集的方式改善許多,研究者才歸納出,人類在超過 80 歲以後的死亡率有所減緩,與中年人極快的死亡率增長速度有著鮮明的對比。

-----廣告,請繼續往下閱讀-----

英國數學家班傑明.岡珀茨 (Benjamin Gompertz) 首度提出了死亡率定律。圖/wikipedia

1998 年,《Science》的一篇論文中提出,人類身上確實存在死亡率高原的現象,與他們在果蠅及其他生物身上發現的結果一致,這樣的研究成果大大地刺激了生物人口統計學 (Biodemography) 和演化論 (Evolutionary) 理論化的浪潮。然而,2011 年,《North American Actuarial Journal》中的一份研究成果卻發現,人類的死亡率並不會減緩,甚至 2017 年的一份研討會論文中還指出,死亡率的增長持會續到 110 歲。這些研究完全打破了「死亡率高原」假設,如果他們才是正確的,那麼 1998 年後所提出的人口模型將全部都會被推翻。

「別吵了!真的有死亡率高原!」 來自義大利的最新研究

為了終結無止境的爭論,5 位義大利的學者採用了革命性的人口統計方法,由義大利國家統計局 (Italian National Institute of Statistics, ISTAT) 蒐集並驗證了 2009 年至 2015 年間年滿 105 歲的人的資料,他們採用世代研究法 (cohort study) ,重複調查同一群人,完整記錄他們從出生到死亡的詳細訊息,排除任何可能影響統計結果的風險因子,並藉由國際長壽資料庫 (International Data base on Longevity, IDL) 提供的標準進行驗證,他們宣稱,此種作法解決了一直以來令研究者十分頭痛的數據偏差問題,計算出最精確的死亡率。

研究結果顯示,人類死亡率的增長速度會在 80 歲達到高峰並漸漸趨緩,而超過 105 歲以後,死亡率便會維持在一個穩定的數值上,另外,藉由詳細的世代調查,也發現活過 105 歲的人有逐漸增加的趨勢,也就是說,人類的壽命正在持續上升,並且尚未達到極限。而除了以上提到的生物知識,研究使用的資料蒐集及計算方式也為生物學研究立下的里程碑,成為此篇論文的最大研究價值。

目前紀錄上最長壽的人是122歲的雅娜.卡爾芒,逝世於 1997 年。而研究者認為這不是人類壽命的極限。圖/wikipedia

雖然這群研究者的初衷是為了用更精確的數據來驗證死亡率高原的存在,他們也宣稱自己的數據沒有偏差,但卻遭到同領域的研究者質疑,他們的數據真的具有代表性嗎?統計資料將年齡無法確定的人排除在外,但這樣的作法是否會成為另一種形式的風險因子?死亡率維持在一定數值又一定代表人類壽命沒有極限嗎?而基因遺傳的影響沒有被放進研究中做討論,也成為了研究限制。種種因素都無法說服其他研究者他們的結論是可信的,雙方仍各持己見持續爭論下去。

-----廣告,請繼續往下閱讀-----

因為死亡率高原的存在,人類有機會活得越來越長,且以目前情況來看,平均壽命持續增加是無法爭辯的事實,因此,無論是壽命否存在極限,如何養護身體的生命延續科學想必會成為越來越受重視的課題。

參考資料:

  1. Scott D. Pletcher, James W. Curtsinger. (2017) Mortality Plateaus and the evolution of senescence : Why are old-age mortality rates so low? Evolution, 52(2),1998.pp,454-464.
  2. Elisabetta Barbi, Francesco Lagona, Marco Marsili, James W. Vaupel, Kenneth W. Wachter. (2018) The plateau of human mortality: Demography of longevity pioneers Science, 360(6396), pp. 1459-1461.
  3. Once you hit this age, aging appears to stop.
  4. There’s no limit to longevity, says study that revives human lifespan debate.
-----廣告,請繼續往下閱讀-----
文章難易度
淨妍
6 篇文章 ・ 0 位粉絲
泛科的新人實習生,希望能在這個資訊過量的時代裡,留下有價值文字。 另一個身分是「喀報」記者https://castnet.nctu.edu.tw/search/%E6%88%B4%E6%B7%A8%E5%A6%8D

0

0
0

文字

分享

0
0
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。

2

4
3

文字

分享

2
4
3
用來篩檢確診者的 CT 值大小,是否與病情輕重和死亡率有關?
安比西林_96
・2022/02/25 ・2679字 ・閱讀時間約 5 分鐘

與 Covid-19 的一役中,能否有效評估症狀的嚴重程度,讓病患得到合適的療程與處置,是有限醫療資源條件下長期抗戰的關鍵。「CT 值」是目前各國用來判斷 Covid-19 確診者的指標,有研究學者指出, CT 值很可能與症狀嚴重程度和死亡率有相關性,但同時也有人持相反的論點,認為兩者並無關聯。CT 值,到底可不可以用來反映 Covid-19 的病情輕重?

什麼是 CT 值?

Covid-19 疫情爆發以來,過著防疫新生活的我們,不僅每天與口罩、酒精和實聯制為伍,對各種類型的疫苗如數家珍,也對媒體報導中的確診數與「CT 值」不陌生。與可以自行操作、15 分鐘就能看見結果的快篩試劑不同,CT 值需要透過精準度更高,但耗時更長的即時 RT-PCR (反轉錄聚合酶連鎖反應,reverse-transcription polymerase chain reaction)才能得出。

RT-PCR 的過程,從受測者被棉棒戳鼻子或口腔採集體液開始。體液樣本將被提取 RNA,並被反轉錄成 DNA。然後,可以與病毒轉錄 DNA 相合的特定 DNA 引子會被加入,隨著儀器升溫、降溫的循環,被複製放大,直到能判斷訊號為止。如果病毒確實存在,每經過一次循環,病毒基因量就會被複製放大一倍,而偵測到訊號的循環次數,就是 CT 值全名——循環數閾值(Cycle threshold value)的由來。例如,CT 值 = 20 代表病毒基因被放大了 2 的 20 次方。

RT-PCR 的過程從受測者被棉棒戳鼻子或口腔採集體液開始。圖/Giphy

CT 值越高,病毒量越多,症狀越嚴重嗎?

CT 值一般用來反映病患體內的病毒量:病毒量越多,需複製循環的次數就越少,CT 值越低;病毒量越低,則循環的次數就越高。而當 CT 值超過一定數值,即複製放大到一定上限仍無偵測到訊號的話,便會判定為陰性非確診。目前國際上判定有無確診的標準不一,台灣通常以 CT 值 35 ~ 40 為陽性參考的門檻,日本與美國則將 CT 值 40 以內都列為確診者。

患者體內病毒量越多,疾病嚴重程度越高,這似乎是一項合理的假設,但事情真的是這樣嗎?過去 Covid-19 的近親—— SARS 在 2002 年肆虐各地,當時的研究者同樣利用 PCR 技術檢驗病毒量,發現高病毒量的患者,重症情形和死亡率也較高。其他病毒如黃熱病與伊波拉病毒,也有著病毒量越高,死亡率也隨之增高的趨勢。不過相同觀點是否能套用在 Covid-19 上,目前醫學界的看法仍存在分歧。

-----廣告,請繼續往下閱讀-----
患者體內病毒量越多,疾病嚴重程度越高,也有著死亡率也隨之增高的趨勢。不過相同觀點是否能套用在 Covid-19 上也是這樣嗎?圖/Pixabay

正方:CT 值與疾病嚴重程度,甚至死亡率有關

美國紐約市在 2020 年 3 月到 4 月針對 678 名住院病患進行了調查。研究人員按照 CT 值大小分為高病毒量(CT 值 < 25)、中病毒量(CT 值介於 25~30)及低病毒量(CT 值 > 30)。結果顯示,低 CT 值、高病毒量的患者重症插管的機率為 29.1%,比高 CT 值、低病毒量的 14.9 % 幾乎高出一倍。在死亡率上,與低病毒量患者的 6.2% 相比,高達 35% 的高病毒量患者在住院過程中撒手人寰。

巴西的研究也顯示類似的趨勢。 2020 年 3 月到 7 月間,聖保羅醫院收集 875 名患者的 CT 值結果做分析,他們也將 CT 值低於 25 定義為高病毒量,並將病情定義為輕微(居家治療)、中度(住院治療)及嚴重(加護病房治療)。研究顯示,病情中度程度的患者的 CT 值,比病情輕微和嚴重的病患來得顯著高。而在治療結果上,可以出院的幸存者之 CT 值 (中位數 = 27)明顯比死者(中位數 = 21)來得高,説明低 CT 值、高病毒量和死亡率的相關性。

反方:CT 值與病情輕重和死亡率無顯著相關

不過,亦有研究顯示截然不同的結果。在印度孟買一所三級照護醫院進行的一項研究,調查對象為 2020 年 3 月 到 6 月期間的 219 名病患。研究將 CT 值分為高(31~40)、中(21~30)和低(11~20)三個等級,並以血氧濃度低於 93% 作為區隔輕重症患者的基準。結果發現,低 CT 值(高病毒量)的患者反而呈現顯著輕微的病情。但若在重症病患之間做比較,不幸離世的病患的 CT 值確實比幸存者來得低。

另一項 2020 年在巴林、樣本數包含 1057 個住院病例的研究,也認為 CT 值和 Covid-19 症狀嚴重程度沒有相關性。這項研究將病患是否需要氧氣供應、呼吸器維生作為輕重症的判別。結果顯示,病況最嚴重、需要呼吸器維生的重症病患,將近六成 CT 值都高於 30 ,病毒量理應較低者。而比較住在普通病房與特別需要氧氣支持的病患,兩者的 CT 值沒有顯著差異,前者的 CT 值中位數(24)還略低於後者(25)。

-----廣告,請繼續往下閱讀-----

CT 值是一項重要的指標,但也不是唯一的指標

儘管上述研究結果,無法在 CT 值究竟是否適合用作判定病情輕重的指標上達成共識,但兩方的研究者,也都指出各自研究的局限,包含了 PCR 檢測在分析前、中、後過程中的不確定性。儀器所得到的 CT 值,並非一個絕對值,會受到採樣方法、檢體種類、RT-PCR 儀器條件與使用試劑品質等影響。

雖然沒辦法用來斷言病情輕重,但無可否認地, CT 值在判定確診及解除隔離與否的防疫工作上,目前仍扮演不可或缺的角色。不過 CT 值也不是唯一的指標,醫生與研究者正積極地探究與病情症狀有關的其他可能因素。正反兩方的學者當中,不約而同提到,採檢前的症狀持續時間,應該被列為診斷與研究的重要參數之一。其中,來自印度孟買的研究者指出,重症死亡者在進行 PCR 檢測前,有顯著更短的症狀持續時間。因此他們建議,需控制症狀出現後與進行檢測之間的時間,才能更好地進行 CT 值與病情嚴重程度的相關性研究。

學者提出,需控制症狀出現後與進行檢測之間的時間,才能更好地進行 CT 值與病情嚴重程度的相關性研究。圖/Pixabay

延伸閲讀

  1. How is the COVID-19 Virus Detected using Real Time RT-PCR?
  2. Magleby, R., Westblade, L. F., Trzebucki, A., Simon, M. S., Rajan, M., Park, J., Goyal, P., Safford, M. M., & Satlin, M. J. (2021). Impact of Severe Acute Respiratory Syndrome Coronavirus 2 Viral Load on Risk of Intubation and Mortality Among Hospitalized Patients With Coronavirus Disease 2019. Clinical infectious diseases : an official publication of the Infectious Diseases Society of America, 73(11), e4197–e4205. https://doi.org/10.1093/cid/ciaa851
  3. Faíco-Filho, K. S., Passarelli, V. C., & Bellei, N. (2020). Is Higher Viral Load in SARS-CoV-2 Associated with Death?. The American journal of tropical medicine and hygiene, 103(5), 2019–2021. https://doi.org/10.4269/ajtmh.20-0954
  4. Abdulrahman, A., Mallah, S.I. & Alqahtani, M. COVID-19 viral load not associated with disease severity: findings from a retrospective cohort study. BMC Infect Dis 21, 688 (2021). https://doi.org/10.1186/s12879-021-06376-1
  5. Shah S., Singhal T., Davar N., Thakkar P. (2021) No correlation between Ct values and severity of disease or mortality in patients with COVID 19 disease. Indian Journal of Medical Microbiology, 39(1), 116-117. https://doi.org/10.1016/j.ijmmb.2020.10.021
  6. Rabaan, A. A., Tirupathi, R., Sule, A. A., Aldali, J., Mutair, A. A., Alhumaid, S., Muzaheed, Gupta, N., Koritala, T., Adhikari, R., Bilal, M., Dhawan, M., Tiwari, R., Mitra, S., Emran, T. B., & Dhama, K. (2021). Viral Dynamics and Real-Time RT-PCR Ct Values Correlation with Disease Severity in COVID-19. Diagnostics (Basel, Switzerland), 11(6), 1091. https://doi.org/10.3390/diagnostics11061091
-----廣告,請繼續往下閱讀-----
所有討論 2

0

0
0

文字

分享

0
0
0
人類壽命無極限?「死亡率高原」的研究之爭
淨妍
・2018/08/13 ・2733字 ・閱讀時間約 5 分鐘 ・SR值 566 ・九年級

-----廣告,請繼續往下閱讀-----

「有沒有那麼一個明天,重頭活一遍,讓我再次感受,曾經揮霍的昨天。」五月天的歌曲《如煙》用詩意的歌詞,道出人們心中對時間與生命的渴望。科學家花了幾個世紀探索生命的秘密,究竟,人類的壽命是否存在上限?

人類壽命的極限一直是科學家很想知道的問題。圖/pixibay

什麼是「死亡率高原」?從果蠅身上得到的啟示

近日《Science》發表了一篇論文,為人類壽命上限的問題提供了一種解答:研究結果顯示,「死亡率高原」(mortality plateau) 確實存在於人類身上。「死亡率高原」究竟是什麼?存在於人類身上又有什麼樣的意義?

要釐清何謂「死亡率高原」,首先要了解「死亡率」的概念。死亡率的研究最早可回溯至 1825 年,英國皇家學會的數學家班傑明.岡珀茨 (Benjamin Gompertz) 運用統計學方法,計算出死亡率定律:動物的死亡率會隨著年齡增加而指數性成長。也就是說,動物從出生的那一瞬間,死亡的可能性就會不斷增加。「越老越有可能死」聽起來很合理,但如果死亡率不停增加,是不是會在某個特定的年紀達到 100%,成為動物的年齡上限?

-----廣告,請繼續往下閱讀-----

針對這個問題,近代科學家提出一種假說:死亡率的增長不會一直持續,到了某個年齡便不會再提升,平穩地維持一樣的數值。因為根據定義畫出的死亡率曲線圖,形狀與高原類似,所以這種假說被稱為「死亡率高原」。

「死亡率高原」可能發生在任何動物身上,以觀察果蠅壽命的實驗為例,科學家發現它們的死亡率從出生那刻起便不斷上升,但在超活了 60 天之後,死亡率便不再有大幅度成長,而非趨近於 100%。也就是說,單純從數據推測,擁有死亡率高原現象的動物,它們的壽命有可能不存在上限。(但究竟有沒有上限暫時未知)

左圖 (A) 為公果蠅的死亡率變化圖,右圖 (B) 則為母果蠅的死亡率變化圖。不論性別,果蠅在存活超過60天後,死亡率便不再持續穩定的大幅上升。圖/EVOLUTION 圖片重製/戴淨妍

死亡率高原研究之爭 到底在爭什麼?

「死亡率高原」是否通用在人類身上,是研究者一直以來爭論的議題之一,並分為兩派說法:一部分研究者認為死亡率會隨著年齡不斷提升,就算科學再進步,人類壽命的提升依然存在極限;另一部分則相信死亡率高原的存在,未來人類的壽命將超乎我們的想像。

-----廣告,請繼續往下閱讀-----

人類的死亡率隨著年齡攀升直到105歲,維持在穩定的數值。圖/nature 圖片重製/戴淨妍

而此次發表的研究之所以能宣稱死亡率高原確實存在於人類身上,依靠的是數據蒐集的突破性發展。人類壽命是否存在極限的研究,其實是藉由統計人們的死亡年齡,再用數學方法計算得來,因此,那些年紀過百的「超級人瑞」們的年齡數據正確與否,和研究的精確度事關重大,但在以往資訊流通十分不便的年代,爺爺、奶奶們的年齡很容易被灌水,往往讓科學家一個頭兩個大。

事實上,岡珀茨在 1852 年提出死亡率定律時,他同時也補充到:「死亡率的成長不會一直持續,而是有一定的上限。」但由證據不足,連他自己也不太確定這句話的真實性,所以這樣的說法就暫時被擱置在一旁。直到 1990 年後,數據蒐集的方式改善許多,研究者才歸納出,人類在超過 80 歲以後的死亡率有所減緩,與中年人極快的死亡率增長速度有著鮮明的對比。

英國數學家班傑明.岡珀茨 (Benjamin Gompertz) 首度提出了死亡率定律。圖/wikipedia

-----廣告,請繼續往下閱讀-----

1998 年,《Science》的一篇論文中提出,人類身上確實存在死亡率高原的現象,與他們在果蠅及其他生物身上發現的結果一致,這樣的研究成果大大地刺激了生物人口統計學 (Biodemography) 和演化論 (Evolutionary) 理論化的浪潮。然而,2011 年,《North American Actuarial Journal》中的一份研究成果卻發現,人類的死亡率並不會減緩,甚至 2017 年的一份研討會論文中還指出,死亡率的增長持會續到 110 歲。這些研究完全打破了「死亡率高原」假設,如果他們才是正確的,那麼 1998 年後所提出的人口模型將全部都會被推翻。

「別吵了!真的有死亡率高原!」 來自義大利的最新研究

為了終結無止境的爭論,5 位義大利的學者採用了革命性的人口統計方法,由義大利國家統計局 (Italian National Institute of Statistics, ISTAT) 蒐集並驗證了 2009 年至 2015 年間年滿 105 歲的人的資料,他們採用世代研究法 (cohort study) ,重複調查同一群人,完整記錄他們從出生到死亡的詳細訊息,排除任何可能影響統計結果的風險因子,並藉由國際長壽資料庫 (International Data base on Longevity, IDL) 提供的標準進行驗證,他們宣稱,此種作法解決了一直以來令研究者十分頭痛的數據偏差問題,計算出最精確的死亡率。

研究結果顯示,人類死亡率的增長速度會在 80 歲達到高峰並漸漸趨緩,而超過 105 歲以後,死亡率便會維持在一個穩定的數值上,另外,藉由詳細的世代調查,也發現活過 105 歲的人有逐漸增加的趨勢,也就是說,人類的壽命正在持續上升,並且尚未達到極限。而除了以上提到的生物知識,研究使用的資料蒐集及計算方式也為生物學研究立下的里程碑,成為此篇論文的最大研究價值。

目前紀錄上最長壽的人是122歲的雅娜.卡爾芒,逝世於 1997 年。而研究者認為這不是人類壽命的極限。圖/wikipedia

-----廣告,請繼續往下閱讀-----

雖然這群研究者的初衷是為了用更精確的數據來驗證死亡率高原的存在,他們也宣稱自己的數據沒有偏差,但卻遭到同領域的研究者質疑,他們的數據真的具有代表性嗎?統計資料將年齡無法確定的人排除在外,但這樣的作法是否會成為另一種形式的風險因子?死亡率維持在一定數值又一定代表人類壽命沒有極限嗎?而基因遺傳的影響沒有被放進研究中做討論,也成為了研究限制。種種因素都無法說服其他研究者他們的結論是可信的,雙方仍各持己見持續爭論下去。

因為死亡率高原的存在,人類有機會活得越來越長,且以目前情況來看,平均壽命持續增加是無法爭辯的事實,因此,無論是壽命否存在極限,如何養護身體的生命延續科學想必會成為越來越受重視的課題。

參考資料:

  1. Scott D. Pletcher, James W. Curtsinger. (2017) Mortality Plateaus and the evolution of senescence : Why are old-age mortality rates so low? Evolution, 52(2),1998.pp,454-464.
  2. Elisabetta Barbi, Francesco Lagona, Marco Marsili, James W. Vaupel, Kenneth W. Wachter. (2018) The plateau of human mortality: Demography of longevity pioneers Science, 360(6396), pp. 1459-1461.
  3. Once you hit this age, aging appears to stop.
  4. There’s no limit to longevity, says study that revives human lifespan debate.
-----廣告,請繼續往下閱讀-----
文章難易度
淨妍
6 篇文章 ・ 0 位粉絲
泛科的新人實習生,希望能在這個資訊過量的時代裡,留下有價值文字。 另一個身分是「喀報」記者https://castnet.nctu.edu.tw/search/%E6%88%B4%E6%B7%A8%E5%A6%8D

1

8
3

文字

分享

1
8
3
花粉揭秘:黑死病災情,歐洲各地很不一樣
寒波_96
・2022/02/21 ・4340字 ・閱讀時間約 9 分鐘

14 世紀中葉,歐洲各地陸續爆發鼠疫。瘟疫在當時的歐洲並不稀罕,可是這回實在嚴重,大量人口慘遭消滅,後世稱之為「黑死病」。疫情主要發生在公元 1347 到 1352 年,有些學者估計令歐洲在短期內減少 30 到 50% 人口,或許高達 5000 萬人之多。

一項新上市的研究根據花粉分析,卻得到結論:黑死病對歐洲各地的影響差異不小,有些區域確實大受打擊,但是有些地區輕微得多。我們該怎麼解讀這些研究呢?

受到義大利黑死病爆發為背景的《十日談》啟發的畫作。圖/wiki 公有領域

瘟疫殺死歐洲一半人!真的嗎?

黑死病的病原體是鼠疫桿菌(Yersinia pestis),可藉由老鼠和跳蚤輔助傳播。近年來由遺骸取得古代 DNA 的研究大行其道,令我們得知超過五千年前,便有人感染鼠疫桿菌。鼠疫桿菌能搭乘跳蚤便車,關鍵在於 ymtYersinia murine toxin)基因,晚於四千年前的鼠疫桿菌皆已經具備。

歷史上三次大爆發:6世紀的查士丁尼瘟疫,14 世紀的黑死病,以及 19 世紀末的全球流行,人們面對的都是傳染力升級的細菌版本;除此之外,還有多次規模較小的流行。 遺傳變化有限的病原體,在不同時空的疫情差異很大。

-----廣告,請繼續往下閱讀-----

歷次鼠疫桿菌導致的疫情中,黑死病的衝擊最大,有些研究甚至認為它消滅當時歐洲 50% 人口。這類死亡率的評估,主要來自歷史資料,如文書、稅務等紀錄;然而,這類資訊來源未必準確,有時文字會誇大不實,和實際數字有所差異。

還有一點侷限在,歷史資料主要紀錄人口聚居的城鎮,可是黑死病那個時候,歐洲超過 75% 人住在城市之外。人擠人的城市碰上鼠疫這類傳染病,通常受害較大,所以根據城市評估而得的結果,也許會高估瘟疫的危害。

另一方面,不同地區的受災程度很可能不同,就像正在進行的 COVID-19(武漢肺炎、新冠肺炎)疫情,遺傳上相同的病毒重擊秘魯,對澳洲的傷害卻相對有限。而黑死病也是如此,既有資料已經足以看出,相比於義大利深受打擊,波蘭更加輕微。幾處地區的狀況,不能擴大代表整個歐洲。

概念:在黑死病死亡率低的地區,農耕不太受到影響;死亡率高的地區則影響較大,產業轉為畜牧,甚至是恢復野生狀態;這些植物變化會反映在沉積物中的花粉。圖/參考資料 3

花粉大數據

要評估黑死病這類歷史大事件的影響,沒有一種理想辦法,一定要從不同方面尋找證據切入、互補,而環境變化可以作為切入點。突然爆發的疾病,導致大量人口死亡之後,也將造成經濟與社會的動盪,可想而知,自然環境也會受到牽連。

歐洲各地花粉的取樣地點。圖/參考資料 3

新發表的研究選擇以花粉作為指標,探討黑死病的影響,還創造一個看似 fancy 的新名詞描述:「大數據古生態學(big data palaeoecology,簡稱 BDP)」,反正大數據就是那樣。

概念是,受到黑死病負面影響愈嚴重的地區,人類活動會減少愈多,可以由花粉變化看出。具體樣本來自歐洲各地 261 處遺址,一共 1634 個沉積層樣本;年代介於公元 1250 到 1450 年,大致涵蓋黑死病發生之前到之後的各一百年,也就是前後約 4 代人。短時間內大量人口死亡,影響可能延續數代。

-----廣告,請繼續往下閱讀-----

不同植物會生成不同花粉,有些花粉落到湖泊等環境,變成湖底的沉積物,有機會保存下來,成為歷史切片的見證。而人類活動影響環境,使得植物生態有別,便會留下不同的花粉組合。

例如農耕發達的地區,會留下大量農作物的花粉,畜牧業普及區則會是另一種風貌;若是人口減少令農牧活動降低,野生植物的花粉便會增加,不同階段又會生長不同野生植物。

地段,地段,地段!

新的分析思維看似很有道理,但是能相信嗎?研究者首先分析資訊最豐富的兩處地點:瑞典、波蘭。許多證據表示黑死病過去後,瑞典慘遭打擊,波蘭反而明顯成長;倘若花粉呈現的狀況一致,便說明這套分析是可靠的。結果花粉分析順利通過考驗。

波蘭和瑞典的比較,瑞典在黑死病之後明顯衰退,波蘭則否。圖/參考資料 3

花粉分析擴大到歐洲全境,最肯定的結論是:各地差異不小。黑死病前後,一些地區差異有限,有些甚至逆風高飛;農牧活動減少最多的地區位於斯堪地那維亞(北歐)、法國、德國西部、希臘、義大利中部。

有個假設是:瘟疫使人口減少以後,產業可能由勞力密集的農耕,轉向較不需要人力的畜牧。但是這回研究指出,所有農耕下降的地區, 畜牧也跟著減少;唯一例外是德國西南部,畜牧反而增長。

考察文獻得知,義大利、法國深受黑死病危害,這也反映在當地的花粉中,證實歷史紀錄的準確。農業開墾往往是森林的敵人,黑死病過後,義大利的森林甚至重新蓬勃復育;慘烈至此,難怪有薄伽丘《十日談》的誕生。

然而不少地區的農牧活動,黑死病前後的差異有限,或是顯著成長,像是伊比利、愛爾蘭,以及中歐、東歐多數地點。這些分析指出黑死病對歐洲各地的影響有別,整體死亡率大概沒有 50% 那麼誇張。

歐洲各地在黑死病前後的變化:穀物、畜牧、植被演替。圖/參考資料 3

其實還是不清楚黑死病的死亡率

該如何看待上述論點呢?花粉分析有優點,也有缺點。一如文字、稅務等切入方向,花粉也有自己方法學上的侷限。它能告訴我們歐洲各地的死亡率不均值,卻無法真正評估死亡率高低。

-----廣告,請繼續往下閱讀-----

根據花粉組成在不同年代的相對變化,可以推論當地農牧活動的改變,卻不直接等同於人口的死亡程度。

一個地區在黑死病後一段時間,農牧活動明顯增長,不見得意謂瘟疫時沒有死很多人,也可能是恢復速度很快,或是還有黑死病以外的其他因素。

也要注意這兒的評估是相對的,某地相對的受災比較輕微,不等於災情不嚴重。一個地區在幾十年的時段內,如果損失 30% 人口當然是大災難,但是就算死亡「只有」5%,也不可能馬照跑,舞照跳。

歐洲各地在黑死病前後的變化統整,偏紅色為衰退,偏綠色為成長。圖中名號是當時的政權疆域。圖/參考資料 3

評估大瘟疫更廣泛的社會影響

儘管無法準確判斷死亡率,花粉能評估傳染病對社會更廣泛的影響。黑死病這類大瘟疫,不是只有鼠疫桿菌殺死多少人而已,還會牽連更廣泛的社會運作,累積間接傷害。

即使是一個較小的地理範圍,受災程度也可能有內部差異,如城鎮中心及其周圍的郊區、鄉村。沉積物中的花粉,是一個地區一段時間內的集合紀錄,似乎較能避免城鄉差距的影響。

有學者認為,黑死病過後一個地區之所以沒有衰退,也可能是外地人口填補所致,故質疑新研究的論點。就算真是如此,新遷入的人口也是來自歐洲其他地方,同樣支持新論點的大方向:歐洲各地受災程度有異,並非每處一樣嚴重。何況過往公認疫情嚴重的地區,新分析中也看得出來。

-----廣告,請繼續往下閱讀-----

有趣的是,一項 2019 年發表的研究在檢視多重證據後,也認為查士丁尼瘟疫的災情言過其實,不如過往認知的那麼嚴重。提醒各位千萬不能忽略「沒有那麼嚴重,跟不嚴重是兩回事」。

花粉無法回答的問題是:黑死病為什麼在各地影響有別?有人推測是鼠疫桿菌的品系不同,在西歐的殺傷力較強,東歐較弱。但是此一論點缺乏遺傳學、病理學的證據。

2019 年底至今的全球瘟疫清楚告訴我們,遺傳上一模一樣的品系,在不同國家的傳播與傷害天差地別,涉及許多複雜的因素。黑死病比當下冠狀病毒造成的疫情嚴重很多,基本道理大概還是一樣的。

延伸閱讀

參考資料

  1. Susat, J., Lübke, H., Immel, A., Brinker, U., Macāne, A., Meadows, J., … & Krause-Kyora, B. (2021). A 5,000-year-old hunter-gatherer already plagued by Yersinia pestis. Cell Reports, 35(13), 109278.
  2. Spyrou, M. A., Tukhbatova, R. I., Wang, C. C., Valtueña, A. A., Lankapalli, A. K., Kondrashin, V. V., … & Krause, J. (2018). Analysis of 3800-year-old Yersinia pestis genomes suggests Bronze Age origin for bubonic plague. Nature Communications, 9(1), 1-10.
  3. Izdebski, A., Guzowski, P., Poniat, R., Masci, L., Palli, J., Vignola, C., … & Masi, A. (2022). Palaeoecological data indicates land-use changes across Europe linked to spatial heterogeneity in mortality during the Black Death pandemic. Nature Ecology & Evolution, 1-10.
  4. Black death mortality not as widespread as believed
  5. Did the ‘Black Death’ Really Kill Half of Europe? New Research Says No
  6. Mordechai, L., Eisenberg, M., Newfield, T. P., Izdebski, A., Kay, J. E., & Poinar, H. (2019). The Justinianic Plague: an inconsequential pandemic?. Proceedings of the National Academy of Sciences, 116(51), 25546-25554.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
所有討論 1
寒波_96
193 篇文章 ・ 1090 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。