卡爾達諾誕辰│ 科學史上的今天：9/24

本文與 江欣樺營養師 合作，泛科學企劃執行。

肺癌連四冠　成為台灣十大癌症之首的背後原因

根據衛福部國民健康署於 2024 年 12 月公布的最新數據，肺癌已穩居台灣十大癌症榜首。這不只是發生人數最高，更同時擁有死亡率最高、晚期發現比例最高、醫療費用最高等三項不名譽的紀錄，可說是名副其實的「癌症四冠王」。

肺癌新確診人數在過去十年中持續上升，尤其在 2022 年 7 月政府推動肺癌篩檢政策後，越來越多過去未被發現的病例被篩檢出來。這項針對高風險族群的篩檢措施，有助於提高早期發現的比例，但也凸顯出台灣肺癌潛藏病例數量之大。

過去，大腸直腸癌曾長期穩居癌症發生率第一位，如今退居第二位，仍值得高度關注。不過，肺癌的快速上升與普及化趨勢，則反映出不僅吸菸者受影響，越來越多不吸菸卻罹患肺癌的人也在增加，使得肺癌防治策略面臨新的挑戰。

基因變異遇上空污 PM2.5：台灣肺癌高發生率的雙重危機

在肺癌逐年升溫的背後，科學家持續探究其背後的成因。其中，一篇刊登於《Cell》2020 年 7 月號的研究引起了國際關注。這項研究由中央研究院團隊主導，聯合臺灣大學、臺北醫學大學及臺中榮總等單位共同完成，發現一種名為「APOBEC 變異」的基因特徵，可能與臺灣女性罹患肺癌發生率偏高有關。該變異會影響細胞內 DNA 的穩定性，使其更容易累積損傷並進一步發展為癌症，這項研究也讓人們開始重新思考肺癌與遺傳體質之間的關聯性。

除了基因之外，環境因素依然是不可忽視的關鍵。2023 年 4 月《Nature》的一篇封面故事則指出，空氣污染對肺癌的影響，可能不是直接造成新的 DNA 突變，而是透過誘發「慢性發炎」的機制，促使原本已帶有變異的細胞被「喚醒」並增殖形成腫瘤。這如同將原本處於沉睡狀態的壞細胞，因長期的空氣污染刺激而被激活。

由此可見，預防癌症的策略或許不應僅著重於防止癌細胞的「產生」，更重要的是避免讓它們「活化」。這也代表預防策略的重點，正從過去單純的「避免基因突變」，轉向同時「減少發炎反應」。而導致這些發炎與突變的因素，其實仍然是我們熟悉的環境污染源，例如 PM2.5、香菸二手煙、油煙與室內空氣品質等。

值得注意的是，這種風險機制並不只侷限於肺癌。大腸直腸癌的發生同樣與基因變異及環境因子的交互作用密切相關，顯示癌症成因不再是單一來源，而是多層次、需整合多面向來防範的健康議題。

遠離肺部發炎：從廚房油煙到腸道保健的肺癌預防關鍵

在空氣品質頻頻亮紅燈的臺灣，要保護肺部健康，關鍵就在於避開引發發炎反應的因子。國民健康署明確指出，「吸菸」仍是肺癌最主要的危險因子，佔所有患者的七至八成。然而，非吸菸者也絕不能掉以輕心，二手菸、交通廢氣、PM2.5 等空氣污染物，同樣是導致肺部慢性發炎的重要元凶。

此外，有一項常被忽略卻與肺癌風險高度相關的危險因子，來自我們每天的廚房——烹飪油煙。國民健康署指出，臺灣女性長期暴露於烹飪油煙中，罹患肺癌的風險不容忽視，尤其是在長時間未使用抽油煙機的情況下。國民健康署指出，未使用抽油煙機的非吸菸女性，其肺癌風險竟比有使用者高出約8.3倍。這項數據提醒我們，日常看似平常的行為，可能正是健康風險的關鍵所在。

除了遠離風險因子，江欣樺營養師也提出，從「腸道」著手是提升免疫力、降低全身發炎反應的新方向。維持腸道健康不僅能調節整體免疫系統，更與肺部的發炎反應息息相關。以益生菌株 TW01 為例，研究指出它能有效抵達腸道內的免疫關鍵區域——貝爾斑（Peyer’s patch），調節 T 細胞中 TH1 與 TH2 的平衡，有助於緩解過度的免疫反應或過敏現象。

此外，TW01 菌株也能促進B細胞分泌 IgA 免疫球蛋白，強化腸道黏膜層的保護力，減少「腸漏」的發生，進而間接保護其他器官免受炎症的侵擾。更令人關注的是，該菌株亦在研究中展現抑制大腸癌細胞的潛力，對於目前台灣排名第二的大腸直腸癌，可能提供另一層預防上的助力。

TW01 益生菌對抗肺癌：從腸－肺軸線降低空污引發的肺損傷

腸道與肺部之間存在一條重要的生理連結，稱為「腸－肺軸線」。今年初發表於《Nutrients》期刊的一項臺灣研究指出，TW01 益生菌能透過腸－肺軸線機制，從腸道出發，間接守護我們的肺部健康。研究結果顯示，TW01 益生菌有三大關鍵作用：首先，有助於減輕空污 PM2.5 所造成的肺損傷；其次，可降低肺部發炎物質（如 TNF-α、IL-6、IL-10 等）；第三，降低肺纖維化，主要透過調節 TGF-β1/Smad 信號傳導來達成。

其實，腸道與其他器官之間也存在類似的「軸線」關係，例如腸－腦軸線影響情緒與睡眠，腸－皮膚軸線與皮膚狀況密切相關。這些軸線代表著腸道菌叢的健康與代謝活動，很容易影響到其他器官。反過來，器官之間的影響同樣是雙向的——空污中的 PM2.5 不只損害肺部，也會擾亂腸道菌相，甚至引發「腸漏症」，讓體內毒素再次回到肺部，進一步惡化發炎反應。

預防肺癌、對抗 PM2.5，從 TW01 益生菌構築更健康的防線

面對癌症這個複雜的敵人，我們或許無法改變基因，但我們可以從每天的選擇中，建立更堅固的健康防線。越來越多研究顯示，身體各個器官並非獨立運作，而是彼此緊密串聯——肺與腸的關聯，正是一個明顯的例子。從腸道微生物的平衡，到肺部的免疫狀態，生活中的每一項小習慣，其實都可能悄悄影響著我們罹癌的風險。

空氣品質意識、健康飲食內容、規律運動習慣、定期健康檢查，這些看似平凡的日常行為，正是最切實且有效的預防行動。特別在台灣，肺癌與大腸癌長期高居發生率前兩名，更提醒我們——預防不能等到症狀出現才開始，而應該從日常做起。

理解期望值，有助於分析賭場裡的大部分賭局，以及美國中西部和英國的嘉年華會中，常有人玩、但一般人比較不熟悉的賭法：骰子擲好運（chuck-a-luck）。

招攬人來玩「骰子擲好運」的說詞極具說服力：你從 1 到 6 挑一個號碼，莊家一次擲三顆骰子，如果三個骰子都擲出你挑的號碼，莊家付你 3 美元。要是三個骰子裡出現兩個你挑的號碼，莊家付你 2 美元。

假如三個骰子裡只出現一個你挑的號碼，莊家付你 1 美元。如果你挑的號碼一個也沒有出現，那你要付莊家 1 美元。賽局用三個不同的骰子，你有三次機會贏，而且，有時候你還不只贏 1 美元，最多也不過輸 1 美元。

我們可以套用名主持人瓊安．李維絲（Joan Rivers）的名言（按：她的名言是：「我們能聊一聊嗎？」），問一句：「我們能算一算嗎？」（如果你寧願不算，可以跳過這一節。）不管你選哪個號碼，贏的機率顯然都一樣。不過，為了讓計算更明確易懂，假設你永遠都選 4。骰子是獨立的，三個骰子都出現 4 點的機率是 1/6×1/6×1/6＝1/216，你約有 1/216 的機率會贏得 3 美元。

僅有兩個骰子出現 4 點的機率，會難算一點。但你可以使用第 1 章提到的二項機率分布，我會在這裡再導一遍。三個骰子中出現兩個 4，有三種彼此互斥的情況：X44、4X4 或 44X，其中 X 代表任何非 4 的點數。而第一種的機率是 5/6×1/6×1/6＝5/216，第二種和第三種的結果也是這樣。三者相加，可得出三個骰子裡出現兩個 4 點的機率為 15/216，你有這樣的機率會贏得 2 美元。

同樣的，要算出三個骰子裡只出現一個 4 點的機率，也是要將事件分解成三種互斥的情況。得出 4XX 的機率為 1/6×5/6×5/6＝25/216，得到 X4X 和 XX4 的機率亦同，三者相加，得出 75/216。這是三個骰子裡僅出現一個 4 點的機率，因此也是你贏得 1 美元的機率。

要計算擲三個骰子都沒有出現 4 點的機率，我們只要算出剩下的機率是多少即可。算法是用 1（或是100％）減去（1/216 +15/216 + 75/216），得出的答案是 125/216。所以，平均而言，你每玩 216 次骰子擲好運，就有 125 次要輸 1 美元。

這樣一來，就可以算出你贏的期望值（$3×1/216）+（$2×15/216）+（$1×75/216）+（–$1×125/216）＝$（–17/216）＝–$0.08。平均來說，你每玩一次這個看起來很有吸引力的賭局，大概就要輸掉 8 美分。

尋找愛情，有公式？

面對愛情，有人從感性出發，有人以理性去愛。兩種單獨運作時顯然效果都不太好，但加起來⋯⋯也不是很妙。不過，如果善用兩者，成功的機率可能還是大一些。回想舊愛，憑感性去愛的人很可能悲嘆錯失的良緣，並認為自己以後再也不會這麼愛一個人了。而用比較冷靜的態度去愛的人，很可能會對以下的機率結果感興趣。

在我們的模型中，假設女主角——就叫她香桃吧（按：在希臘神話中，香桃木﹝Myrtle﹞是愛神阿芙蘿黛蒂﹝Aphrodite﹞的代表植物，象徵愛與美）有理由相信，在她的「約會生涯」中，會遇到 N 個可能成為配偶的人。對某些女性來說，N 可能等於 2；對另一些人來說，N 也許是 200。香桃思考的問題是：到了什麼時候我就應該接受X先生，不管在他之後可能有某些追求者比他「更好」？我們也假設她是一次遇見一個人，有能力判斷她遇到的人是否適合她，以及，一旦她拒絕了某個人之後，此人就永遠出局。

為了便於說明，假設香桃到目前為止已經見過 6 位男士，她對這些人的排序如下：3—5—1—6—2—4。這是指，在她約過會的這 6 人中，她對見到的第一人的喜歡程度排第 3 名，對第二人的喜歡程度排第 5 名，最喜歡第三個人，以此類推。如果她見了第七個人，她對此人的喜歡程度超過其他人，但第三人仍穩居寶座，那她的更新排序就會變成 4—6—1—7—3—5—2。每見過一個人，她就更新追求者的相對排序。她在想，到底要用什麼樣的規則擇偶，才能讓她最有機會從預估的 N 位追求者中，選出最好的。

要得出最好的策略，要善用條件機率（我們會在下一章介紹條件機率）和一點微積分，但策略本身講起來很簡單。如果有某個人比過去的對象都好，且讓我們把此人稱為真命天子。如果香桃打算和 N 個人碰面，她大概需要拒絕前面的 37％，之後真命天子出現時（如果有的話），就接受。

舉例來說，假設香桃不是太有魅力，她很可能只會遇見 4 個合格的追求者。我們進一步假設，這 4 個人與她相見的順序，是 24 種可能性中的任何一種（24＝4×3×2×1）。

由於 N＝4，37％ 策略在這個例子中不夠清楚（無法對應到整數），而 37％ 介於 25％ 與 50％ 之間，因此有兩套對應的最佳策略如下：

（A）拒絕第一個對象（4×25％＝1），接受後來最佳的對象。

（B）拒絕前兩名追求者（4×50％＝2），接受後來最好的求愛者。

如果採取A策略，香桃會在 24 種可能性中的 11 種，選到最好的追求者。採取 B 策略的話，會在 24 種可能性中的 10 種裡擇偶成功。

以下列出所有序列，如同前述，1 代表香桃最偏好的追求者，2 代表她的次佳選擇，以此類推。因此，3—2—1—4 代表她先遇見第三選擇，再來遇見第二選擇，第三次遇到最佳選擇，最後則遇到下下之選。序列後面標示的 A 或 B，代表在這些情況下，採取 A 策略或 B 策略能讓她選到真命天子。

1234；1243；1324；1342；1423；1432；2134（A）；2143（A）；2314（A, B）；2341（A, B）；2413（A, B）；2431（A, B）；3124（A）；3142（A）；3214（B）；3241（B）；3412（A, B）；3421；4123（A）；4132（A）；4213（B）；4231（B）；4312（B）；4321

如果香桃很有魅力，預期可以遇見 25 位追求者，那她的策略是要拒絕前 9 位追求者（25 的 37％ 約為 9），接受之後出現的最好對象。我們也可以用類似的表來驗證，但是這個表會變得很龐雜，因此，最好的策略就是接受通用證明。（不用多說，如果要找伴的人是男士而非女士，同樣的分析也成立。）如果 N 的數值很大，那麼，香桃遵循這套 37％ 法則擇偶的成功率也約略是 37％。接下來的部分就比較難了：要如何和真命天子相伴相守。話說回來，這個 37% 法則數學模型也衍生出許多版本，其中加上了更合理的戀愛限制條件。

——本書摘自《數盲、詐騙與偽科學》，2023 年 11 月，大牌出版，未經同意請勿轉載。

前言：本文為鑑識系列中，罕見提及統計學的故事。不過，繁複的計算過程全部省略，僅討論統計概念和辦案原理。請害怕數學的讀者放心。

荷蘭護理人員 Lucia de Berk，長年於海牙茱莉安娜兒童醫院（Juliana Kinderziekenhuis）的 1 個病房，與紅十字醫院（Rode Kruis Ziekenhuis）的 2 個病房工作。2001 年 12 月，她因謀殺罪嫌被捕。^[1]

超幾何分佈

警方起先偵辦 2 名住院病患的死因，發現是中毒身亡；後來連帶調查 1997 至 2001 年間，幾家醫院可能的謀殺案件，於是找上了她。^[2]在法庭上，司法心理學家 Henk Elffers 用機率的概念，證明 Lucia de Berk 有罪。簡單來說，就是計算嫌犯現身出事班次的機率。他採取的統計方法，叫做超幾何分佈（又稱「超幾何分配」；hypergeometric distribution）。^[1]

超幾何分佈適合用在從一個母數中，隨機抽取樣本，不再放回的情形。例如：袋子裝有 N 顆球，其中 L 顆為紅球。一把抓出 n 顆球，不特別挑選的話，紅球碰巧被抓到的機率為 X。^{[3, 4]}以此類推，在此案被調查的時間範圍內，病房總共有 N 個班次，其中 Lucia de Berk 值了 L 班，而有醫療事故的班次共 n 個。如果不刻意安排，則她正好出現在事故班次的機率為 X。^[1]（公式介紹。^[4]）

此處實際帶入數據後得到的答案，說明 Lucia de Berk 理論上應該只有 3 億 4 千 2 百萬分之一（X = 1 / 3.42 x 10⁸）的機率，會剛好在醫療事故發生的班次值班。因此，法庭認定她的頻繁出現（> 1 / 3.42 x 10⁸），絕非巧合。^{[1, 2, 5, 6]}2003 年，Lucia de Berk因 7 起謀殺和 3 次殺人未遂，^[2]被判終身監禁。^[5]

統計謬誤

當時有位醫師任職於 Lucia de Berk 待過的一家醫院。他的女性姻親 Metta de Noo-Derksen 醫師，以及 Metta 的兄弟 Ton Derksen 教授，都覺得事有蹊蹺。^[7]Metta 和 Ton 檢視死者的病歷紀錄，並指出部份醫療事故的類型和事發時間，與判決所用的數據對不起來。因為後者大半仰賴記憶，他們甚至發現有些遭指控的班次，Lucia de Berk 其實不在現場。然而，光是這些校正，還不足以推翻判決。^{[1, 7]}

所幸出生於英國的荷蘭萊頓大學（Universiteit Leiden）統計學榮譽教授 Richard Gill，也伸出援手。^[2]在協助此案的多年後，他的團隊發表了一篇論文，解釋不該使用超幾何分佈的理由，例如：^[1]

1. 護理人員不可互換：所有受訪醫師都說，護理人員可以相互替換；但是護理人員覺得，他們無法取代彼此。由於各別的個性與行事風格迥異，他們對病患的影響也不同。^[1]
2. 醫療事故通報機率：既然每個護理人員都有自己的個性，他們判定某事件為醫療事故，並且通報醫師的機率也不一樣。^[1]畢竟醫院的通報規定是一回事；符合標準與否，都由護理人員判斷。比方說，有個病患每次緊張，血壓就破表。那就讓他坐著冷靜會兒，再登記第二次測量的正常結果即可。不過，難免會有菜鳥護士量一次就嚇到通報，分明給病房添亂。
3. 班次與季節事故率：夜間與週末只剩護理人員和少數待命的醫師；季節性的特定病例增減；以及病患的生理時鐘等，都會影響出事的機率。^[1]
4. 護理排班並不平均：護理人員的班次安排，理想上會有帶狀的規律。可能連續幾天都是白班，接著是幾個小夜班之類的，^[1]比較方便調整作息。此外，護理人員的資歷和個性，通常也會被納入考量。^[1]以免某個班次全是資深人員；但另個班次緊急事故發生時，卻只剩不會臨機應變的新手。在這樣的排班原則下，如果單看某個時期的班表，每個人所輪到的各類班次總數，應該不會完全相同。
5. 出院政策曾經改變：茱莉安娜兒童醫院在案發期間，曾經針對確定救不活的小病患，是否該在家中或病房離世，做過政策上的調整。帳面上來說，算在病房裡的事故量絕對會有變化。^[1]

總之，太多因素會影響護理排班，或是干擾醫療事故的通報率，因此不能過度簡化成抽取紅球那樣的隨機概念。更嚴重的是，Henk Elffers 在計算過程中，分開處理 3 個病房的機率，然後再相乘。Richard Gill 的團隊強調，這樣會造成在多處上班的護理人員，比只為一處服務者，看起來有較高的嫌疑。^[1]

帕松分佈

因應這種情境，Richard Gill 教授建議採用帕松分佈（又譯「布阿松分配」；Poisson distribution），^[1]一種描述特定時間內，事件發生率的統計模型。^[8]有別於先前的計算方法，在這裡事故傾向（accident proneness），以及整體排班狀況等變因，都納入了考量。前者採計護理人員通報醫療事故的意願強度；後者則為輪班的總次數。這個模型通常是拿來推估非尖峰時段的來電、大城市的火災等，也適用於 Lucia de Berk 的案子。^[1]（深入瞭解公式和計算（p. 4 – 6）。^{[1, 8]}）

雖然此模型的細節複雜，統計學家得大費周章解釋給法官聽，但是考慮的條件比較趨近真實。倘若套用原始判決的數據，這個計算最後的答案是 0.0206161，意即醫療事故本來就有 49 分之 1 的機率，會與 Lucia de Berk 的班次重疊。如果帶入 Mettade Noo-Derksen 和 Ton Derksen 校正過的數據，機率更高達 9 分之 1。^{[1, 9]}換句話說，她單純是倒楣出現在那裡，就被當作連續殺人犯。^[6]

其他證據與翻案

大相逕庭的計算結果，顯示出選擇正確統計模型的重要性。然而，最不合理的，是以機率作為判決的主要根據。就謀殺案件來說，怎能不忠於病歷或驗屍報告？Richard Gill 教授接受美國犯罪學講師 Jon Robins 的訪問時，表示後來由醫師和毒物學家組成的獨立團隊，被允許瀏覽當初沒送上法庭的關鍵資料。^[2]他們發現原本被視為受害者的病患，根本都喪命於自然死因。^{[2, 6]}

在各方人士的協助下，Lucia de Berk 還是歷經兩次上訴失敗。^[6]她曾於 2008 年，被允許在家等候重審結果。^[1]但直到 2010 年 4 月，司法才還她清白。^[7]Ton Derksen 認為，在荷蘭像這樣誤判的案件，約佔總判決數的 4 至 11%，也就是每年 1,000 人左右。不過，2006 到 2016 年間被判刑的 2 萬 3 千人裡，只有 5 個上訴到最高法院，而且僅 Lucia de Berk 的案子得以平反。^[10]

參考資料

1. Gill RD, Groeneboom P, de Jong P. (2018) ‘Elementary Statistics on Trial—The Case of Lucia de Berk’. Chance 31, 4, pp. 9-15.
2. Robins J. (10 APR 2020) ‘Ben Geen: Statisticians back former nurse’s in last chance to clear name’. The Justice Gap.
3. 「超幾何分佈」國立高雄大學統計學研究所（Accessed on 03 FEB 2023）
4. 李柏堅（06 FEB 2015）「超幾何分配」CUSTCourses on YouTube.
5. Sims J. (24 FEB 2022) ‘Are We in the Midst of a Data Illiteracy Epidemic?’. Inside Hook.
6. Schneps L, Colmez C. (26 MAR 2013) ‘Justice Flunks Math’. The New York Times.
7. Alexander R. (28 APR 2013) ‘Amanda Knox and bad maths in court’. BBC News.
8. 李伯堅（04 FEB 2015）「布阿松分配」CUSTCourses on YouTube.
9. Wilson D. (13 DEC 2022) ‘Red flag to be wary of when hunting a killer nurse’. The Herald, Scotland.
10. ‘One in nine criminals may have been wrongly convicted – research’. (21 NOV 2016) Dutch News.