懷孕週數是怎麼計算的？人工流產的施行時間又該有何考量呢？

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。

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。

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）」！

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。

以研華科技為例，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。

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。

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。

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）。

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。

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。

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

• 作者／醫療新知
• 本文轉載自 Care Online 照護線上《「胎兒小於妊娠年齡」兒童的生長異常與健康問題，專科醫師圖文解析》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

• 林口長庚醫院 兒童內分泌科 邱巧凡醫師／新生兒科 江明洲醫師

兒童內分泌生長門診中很常出現的一個族群是「胎兒小於妊娠年齡」的孩子。

這些小朋友在長大的過程中，相較於正常出生體重的孩子，容易出現身材矮小、性早熟、過重、肥胖，甚至到成人時期罹患代謝症候群與心血管疾病的風險也明顯較高，兒童健康守護者應特別留意。

什麼是「胎兒小於妊娠年齡」

胎兒小於妊娠年齡（small for gestational age, SGA）是指「出生體重低於同樣妊娠週數新生兒第十百分位或低於負二個標準差者」。

如何知道我的孩子是否為「胎兒小於妊娠年齡」

大家可以參考以下圖片對照寶寶出生週數與體重，即可得知寶寶出生體重是否符合該週齡。

舉例來說：一個懷孕 39 週出生的足月寶寶，出生體重只有 1800 公克，屬於「胎兒小於妊娠年齡」。

為什麼會「胎兒小於妊娠年齡」

造成「胎兒小於妊娠年齡」的原因包含：母體因素、胎盤因素與胎兒因素。

• 母體因素：如高血壓、子癲前症、營養不良、甲狀腺功能低下、感染、抽菸、吸毒、飲酒、高齡妊娠等。
• 胎盤因素：如胎盤血管異常（如單一臍動脈、雙胞胎輸血症候群）。
• 胎兒因素：染色體異常、先天性異常、胎兒感染等。

「胎兒小於妊娠年齡」孩子成長過程會面臨哪些健康問題

• 新生兒時期

約有 1／3「胎兒小於妊娠年齡」寶寶，在新生兒時期因為肝醣儲積不足，脂肪量不足，造成「低血糖」的發生。也容易因為體表面積相對較大，皮下脂肪相對不足，而增加「低體溫」的風險。若早產合併胎兒小於妊娠年齡，也明顯「增加新生兒死亡率」。

• 嬰兒期

「胎兒小於妊娠年齡」的寶寶往往在出生後 3～6 個月開始出現「追趕生長」，且常常體重追趕得比身長來的快。研究發現，此階段的體重快速增加將大幅提升未來長期肥胖、代謝性症候群與心血管疾病的風險。

• 兒童時期與青春期

生長

大多數「胎兒小於妊娠年齡」的兒童，可在成長過程發生「追趕生長」。即生長速率可高於同齡同性別之平均值，使生長曲線逐漸邁入正常範圍。將近 90%「胎兒小於妊娠年齡」的兒童可在兩歲前完成「自發性追趕生長」；若「早產」合併「胎兒小於妊娠年齡」，則需要更長時間完成追趕生長，大部分可在四歲前追趕達標。

然而，仍然有 10% 左右的「胎兒小於妊娠年齡」兒童無法完成自發性追趕生長，造成終生持續身材矮小。此族群目前在美國、歐盟與日本皆已列為「生長激素治療」之適應症族群。此族群透過適當的生長激素治療，除了可改善身高預後，還可改善身體組成（減少脂肪量、增加肌肉量）、改善高膽固醇血症，並提升骨質密度。

青春期發育

大多數「胎兒小於妊娠年齡」的青春期發育時間會落在正常時間：女孩 8～13 歲，男孩 9～14 歲。但平均而言，「胎兒小於妊娠年齡」兒童的青春期還是會早於正常出生體重的兒童（初經比正常出生體重兒童提前 5～6 個月），女孩容易發生「早發性陰毛發育」，青春期的進展速度也較快，但青春期階段的生長速率卻較為緩慢，而這樣「偏早又偏快的青春期，以及偏慢的長高速率」，往往不利於理想成人身高的達成。

神經發展與認知

大部分「胎兒小於妊娠年齡」兒童的腦部發育是正常的。但在極度早產兒，會增加發展遲緩、認知功能障礙、注意力不足過動症與學習障礙的風險。

• 成人時期

相較於正常出生體重的兒童，「胎兒小於妊娠年齡」兒童在成人階段有較高的機率罹患中樞型肥胖、脂質異常、胰島素阻抗、葡萄糖代謝異常、高血壓等代謝症候群與心血管疾病，特別是兒童時期高熱量飲食、體重快速增加的肥胖兒童。由此可見「小時候胖」幾乎註定成人以後肥胖的趨勢，甚至助長成人肥胖併發症的發生。

「胎兒小於妊娠年齡」的寶寶，從出生一直到長大成人，都有許多健康議題需要特別關注。建議此族群家長，應格外留意以下幾點：

1. 「胎兒小於妊娠年齡」的寶寶，於兩歲以前的生長曲線未達標請先不要過度擔心，出生後應密切配合新生兒科醫師或兒科醫師的追蹤安排，留意後續的生長發育狀況。
2. 若 3～4 歲生長曲線仍明顯落後，請就診兒童內分泌科進一步評估診療。
3. 應留意是否過早出現第二性徵。若女孩 8 歲前胸部、陰毛發育，10 歲前初經來潮；男孩 9 歲前睪丸長大、陰莖明顯變長變粗、長陰毛，請務必就診兒童內分泌科。
4. 應避免不當餵食導致過度的體重增加，因為這將大幅提升未來代謝症候群與心血管疾病的風險。

• 本文轉載自 Care Online 照護線上《「胎兒小於妊娠年齡」兒童的生長異常與健康問題，專科醫師圖文解析》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

2021 年 2 月 18 日，網紅「罔腰」在 IG 上宣布懷孕三個月的消息，引發軒然大波。

不少人質疑，罔腰雖然動過變性手術，但礙於沒有子宮，照理來說應該「沒辦法懷孕」，到底是怎麼辦到的呢？

面對一連串懷疑的聲浪，罔腰的男友 PO 出高醫人體研究同意書。這樣的舉動，引來高雄醫學大學不滿，第一時間出面駁斥，強調院內並未進行「無子宮受孕試驗」；高雄市衛生局也提出約談罔腰，確認事情的來龍去脈，釐清是否有接觸密醫……

事件仍持續延燒，我們先暫時放下目前社群上既有的討論，試著思考一下：如果沒有子宮的人類，想嘗試懷孕，到底該怎麼做呢？

子宮移植，有可能嗎？

腹腔懷孕基本上屬於魔法等級，但是，子宮移植其實是有可能達成的。

為了回應極少數婦女因缺乏子宮而無法懷孕的需求，醫學上已有「子宮移植」的技術，然而，子宮移植仍存在著許多未知的風險。 

2020 年，曾有義大利團隊進行研究，在 52 例移植案件中，記錄到 38 例移植後子宮恢復功能，其中僅有 16 人成功懷孕。而這 16 名婦女，有 6 位於孕期出現嚴重併發症，更有高達 10 人早產。

那麼，變性者接受子宮移植是有可能的嗎？此議題有不少科學家討論，以下提供手術示意圖供大家參考：

需要注意的是，除了手術風險外，有其他必須搭配的措施，例如：於術後服用雌激素以增厚子宮內膜備孕、生育必須採剖腹來排除骨盆差異造成的障礙等等。

更多內容，可以參考此文：《沒有子宮能懷孕嗎？淺談異位妊娠與移植子宮》

透過子宮移植懷孕，你認為……？

承上資料，我們可以知道，現今的科學與醫療技術是可以協助無子宮女性與變性者接受子宮的。

然而，最難的或許不是技術本身，而是相關的法律規範與倫理。

現在，我們希望可以請你分享自己的看法，你認為透過子宮移植懷孕是可以的嗎？可以或不行的理由為何？

此外，子宮移植對象為女性／男性／變性者，會影響你的答案嗎？

近來，有特定團體因為宗教信仰的因素，提出「人工流產應於妊娠 8 週內施行」的公投提案，引發多方的討論。

現行的《優生保健施行細則》第 15 條規定，「人工流產應於妊娠二十四週內施行。」

在開啟這項討論前，我們必須得先釐清一些醫學上對於懷孕相關資訊的認知，才能理解這項規定的一些重點以及潛在影響。

到底懷孕幾週了？其實也是推算的

現代婦產醫學的主流共識，對於計算懷孕週數起點的共識，是以女性最後一次月經來潮的第一天開始計算，也就是 LMP (last menstrual period)。

驗孕的原理，是偵測女性體內的人類絨毛膜促性腺激素 (hCG, Human Chorionic Gonadotropin)。一般正常懷孕，hCG 最早可在卵子受精後 6 到 8 天之血清和尿液中測到。等到受精卵著床後，此時大約是受精後 11 天左右，hCG 會大量分泌，此時驗孕也比較明確。

多數有規律性生活的女性，往往是因為意識到月經好像真的很久沒來，才會想到要驗孕。

但由於許多女性的月經週期本來就並不規律，無論是生病、使用常見藥物（消炎藥、抗生素）、熬夜、生活壓力（課業或是工作壓力等）、情緒起伏、體重改變、過度運動、抽菸等因素，都有可能影響月經週期。

所以許多人初次就診確認懷孕的時候，回溯起最後一次月經來潮的時間來計算懷孕週數，很有可能就已經懷孕至少六到八周以上。

胚胎發育的主要關卡，以及八週之後才能做的檢查

確認懷孕之後，大家應該都很常聽說有許多檢查要進行。這是由於發育的過程中有很多事情可以出錯。從下圖看來，胚胎發育有三個主要關卡：

1. 受精後前三周到形成胚胎與胚層
2. 胚胎器官發育期
3. 成熟期

第一個時期的發育，如果受精卵發生異常無法生存，往往在形成胚胎之前，就可能會因為無法著床而不能繼續發育。第二個時期，也就是懷孕三到八周左右，是各個重要器官的主要發育期，此時的發育相當容易受到各種外在因素影響，如果發育不良，可能導致畸胎或流產。八週之後，發生先天性畸胎的可能性就大幅下降（但並不是完全不可能）。

除了先天畸形，許多基因性的遺傳疾病，往往需要等待到八週之後才能進行採樣檢查，例如最常見的羊膜穿刺檢查。

羊膜穿刺是運用超過百年以上的技術，一開始是用於減少羊水過多的處置。一直到發展染色體檢驗技術之後，才應用在取得絨毛膜或羊水的樣本。是目前分析胎兒染色體組成的重要檢查。

檢查過程會在超音波的導引下，用細長的針穿過子宮，小心地進入羊水腔取得檢驗樣本。羊膜穿刺為侵入性檢查，如果為了想要提早知道結果勉強進行，在羊水量還太少的狀況下，羊膜腔的空間太小，細針很有可能會因此誤傷胎兒，造成醫源性的殘肢。

羊膜穿刺是檢查唐氏症的重要檢查，另外還有血友病、乙型海洋性貧血等，也可以藉由檢查羊水中細胞的 DNA 進行診斷。其他像是脊柱裂、腦膜膨出、臍膨出、腹壁裂開等外表的重大缺損，也可以藉由定量羊水內的甲型胎兒蛋白 (α- fetoprotein) ，做為診斷的重大參考。目前絨毛膜採樣的建議篩檢時間是 10 周，羊膜穿刺則為 16 到 22 周左右。

有研究²指出，在 6 至 7 周左右進行高風險的早期絨毛膜採樣，在進行絨毛膜採樣後四周的流產率比起較晚採樣的組別，高了將近三倍；另外胎兒殘肢率也較高。畢竟在難以辨識胎盤位置和進針角度的狀況下，非常難以確保檢查的安全性，很有可能誤傷胎兒。

人工流產設定的時程考量

羊膜穿刺的檢查一般約需二到三周才能得出結果，考量到少數狀況還會需要重新採檢確診，即便是積極計畫生育、參與產前檢查的家長，也多數要到 20 周以後才能較確定胎兒的健康狀況，決定是否繼續懷孕。

一般而言，懷孕 12 周到 19 周發生流產就被稱為晚期流產，20周以後的自主性流產稱為早產。多數晚期流產，是因為孕婦發生極嚴重的子癲前症（多數發生在20周之後）等因素，為了顧及孕婦的安全，如果無法以藥物控制症狀，必須盡早做出結束妊娠的決定。

人工流產的施行，必須要保護孕婦，也需要降低孕婦與親屬事後在心理上的衝擊。考量到要做出這樣的決定需要時間，但又不能持續拖延：太早還不能完整評估胎兒健康，太晚可能會危及孕婦生命安全，在醫療技術和倫理上需取得平衡。因此自 74 年台灣訂立執行「優生保健法」細則以來，與英國 NIH 作法相仿，設定 24 周為人工流產的底線。

養育生命是社會全體的大事，盡可能等待到在風險較小的狀況下才進行檢查，讓為人父母的家屬為未來做好準備，才是醫療團隊與科學家負責任的態度。在沒有科學證據或好的理由支持的前提下，試圖干涉相關的選擇，對社會也會是極大負擔。

1. Kumar, G. (2016). Prescribing and teratogenesis in pregnancy. In B. Kumar & Z. Alfirevic (Eds.), Fetal Medicine (Royal College of Obstetricians and Gynaecologists Advanced Skills, pp. 231–242). Cambridge: Cambridge University Press. doi:10.1017/CBO9781107585843.018
2. Brambati, B., Simoni, G., Travi, M., Danesino, C., Tului, L., Privitera, O., … Primignani, P. (1992). Genetic diagnosis by chorionic villus sampling before 8 gestational weeks: Efficiency, reliability, and risks on 317 completed pregnancies. Prenatal Diagnosis, 12(10), 789–799. doi: 10.1002/pd.1970121004