網站更新隱私權聲明
本網站使用 cookie 及其他相關技術分析以確保使用者獲得最佳體驗,通過我們的網站,您確認並同意本網站的隱私權政策更新,了解最新隱私權政策

0

3
0

文字

分享

0
3
0

心血管疾病患者接種COVID-19疫苗,有哪些注意事項?

miss9_96
・2021/10/05 ・3770字 ・閱讀時間約 7 分鐘

編按:本文提供心血管疾病患者,在接種 COVID-19 疫苗(簡稱疫苗)前的基本認識,以及和專科醫護討論之背景資訊。

  • 本系列文章與科學月刊合作刊登。
  • 本文感謝台大醫院雲林分院心血管科 張勝南醫師,與基隆長庚醫院心臟內科 王兆弘醫師 審稿,以及台灣新興科技媒體中心的協助。
  • 系列前言:考量到許多病友接種疫苗前需要參考更個人化的資料,本系列將從各國醫學會的治療指引與研究中,擷取精華,用較容易理解的方式,整理對各專科患者接種疫苗的建議。 本系列純為知識彙整,並不能做為醫療決策時的依據。如您對個人的病況有進一步的疑問,請洽詢您的醫師,謝謝。

警告:

  • 本文無法作為個人醫療建議,在做任何決定之前,請先和專科醫護討論
  • 慢性病(包含各項指數,如:凝血指數、血糖、血壓等)都應先控制穩定,再尋求疫苗接種。若不清楚自身病況是否穩定,請先和熟悉之醫師共同討論
  • 切勿任意停藥
  • 對疫苗內容物已知過敏者,接種前請和現場醫護討論。若不知道疫苗內容物為何,請列出自己過往曾過敏的藥物,攜往接種場所和醫護討論
  • 禁忌症:
圖/envato elements

Q1. 心血管疾病病友,需要接種疫苗嗎?心血管疾病病友,得到 COVID-19 後的重症機率較一般人高嗎?

  • 疫苗是保護心血管疾病病友的最好方式之一。如果您是心血管疾病病友,在得到 COVID-19 後,惡化成重症的風險確實較高。各細項疾病可能惡化成重症的資訊,請點此;相關機制請點此
  • 在台灣,部分的心血管疾病有被列在優先接種名單上,例如在「19 – 64 歲具有易導致嚴重疾病之高風險疾病者」分類中,就有包含:動脈粥狀硬化(atherosclerosis)、缺血性腦中風(cerebral infarction)等患者。

部分疾病,可能不在優先名單中,如:未引起器官惡化的高血壓。若想知道哪些疾病於優先名單中,請參考疾管署「COVID-19 疫苗接種計畫高風險慢性病疾病代碼」。若看不懂疾病編號,請和專業醫護討論。

Q2. 各類服藥狀態

不論任何心血管疾病藥物,都不能任意停藥。圖/envato elements
  1. 疫苗對正在吃華法林(warfarin)等抗凝血藥物的人,是安全的嗎?
    • 一般來說,是安全的。但您必須告知接種疫苗的醫護,您正在服用的抗凝血藥物和種類。若不清楚自己服用的藥物種類,可持藥單和醫護討論。
    • 由於服用抗凝血藥物,可能會使得注射疫苗的傷口處需要較長的時間才能止血,以致上臂可能會出現瘀傷。若擔心止血和瘀傷問題,請洽現場醫護。
  2. 疫苗對正在吃保栓通(clopidogrel,氯吡格雷)等抗血小板藥物的人,是安全的嗎?
    • 一般來說,是安全的。但您必須告知接種疫苗的醫護,您正服用抗血小板藥物和種類。若不清楚自己服用的藥物種類,可持藥單和醫護討論。
    • 由於服用抗血小板藥物,可能會使得注射疫苗的傷口處需要較長的時間才能止血,以致上臂可能會出現瘀傷。若擔心止血和瘀傷問題,請洽現場醫護。
  3. 疫苗對正在吃 β 受體阻滯劑(β blockers, 心臟、血壓藥)、史塔汀(statins, 降血脂藥)、血壓等藥物的人,是安全的嗎?
    • 一般來說是安全的,藥物也不會降低疫苗發揮效力。但仍建議您先和專科醫師討論,若不清楚自己服用的藥物種類,可持藥單和醫師討論。

Q3. 疫苗與凝血:疫苗造成的血栓與其他副作用?

擔心血栓怎麼辦?圖/envato elements

衍伸閲讀:

COVID-19疫苗施打前,應該要知道(1):注意事項與疫苗原理- PanSci 泛科學

COVID-19疫苗施打前,應該要知道(2):副作用與疑似不良反應- PanSci 泛科學

Q4. 疫苗與心肌炎

目前有接種 mRNA 疫苗(莫德納、輝瑞-BNT)後,發生輕微心肌炎的案例,不過此副作用是屬於輕微、醫療照護後可恢復的。主要影響 30 歲以下的年輕男性,但是數量極為罕見,評估不到萬分之一。目前並無任何國家因此禁止接種、或因而建議改選其他疫苗。

此副作用較常發生在施打第 2 劑後的數天內。若接種疫苗數天內出現胸痛、呼吸急促或心跳加速等情況,請就醫並告知疫苗接種等醫療史。

Q5. 打完疫苗後,就一定有效嗎?

很不幸的,疫苗並非萬靈丹。請維持口罩、洗手,社交距離等防護措施。同時避免群聚,若不得已須在室內聚集,請保持和室外通風或空氣過濾的狀態。

室內維持通風是很重要的!圖/envato elements

Q6. 除了疫苗,我還可以做些什麼避免風險?

除了心血管疾病,尚有一些可能導致重症的危險因素。減少這些因素可降低重症風險:

延伸閲讀

參考文獻

  1. 英國心臟基金會-冠狀病毒:如果您患有心臟病或循環系統疾病,這對您意味著什麼
  2. 英國心臟基金會-冠狀病毒如何影響您的心臟?
  3. 英國心臟基金會-如何才能避免死在冠狀病毒的手上?
  4. 英國心臟基金會-冠狀病毒疫苗 (含服抗凝血、心臟病藥族群)
  5. 英國心臟基金會-吸煙會增加還是減少感染冠狀病毒的風險?
  6. 謠言澄清聲明: 施打疫苗前勿暫停使用抗血小板藥物以及口服抗凝劑。中華民國心臟學會。2021/06/25
  7. 英國心臟基金會-冠狀病毒和心臟藥物
  8. 英國心臟基金會- ACE 抑製劑、ARBs 以及與冠狀病毒的聯繫

 

文章難易度
miss9_96
163 篇文章 ・ 452 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


3

4
0

文字

分享

3
4
0

Deepfake 辨偽技術如何在魔高一尺時,能道高一丈呢?——成大統計所許志仲專訪

A編
・2022/01/26 ・3499字 ・閱讀時間約 7 分鐘

2021年末,小玉的「Deepfake 換臉事件」讓大眾正視 Deepfake 技術的濫用問題。  Deepfake 發展至今不只有造假技術在進步,辨偽也是:目前任職於成大統計所的許志仲老師,從 2018 年開始便在這個主題中專研,並於 2020 年發表相關研究結果,該篇文章起今已有超過 50 次的引用次數。「以這篇論文發表的期刊影響指數(Impact Factor,簡稱IF值)來說,這個引用數相對來說是高的,這代表 Deepfake 辨偽的議題開始變得重要,但研究的人可能沒那麼多。」

許志仲坦言,自己 2018 年研究 Deepfake 辨偽時,Deepfake 影片品質並沒有特別好。沒想到短短兩三年的時間,Deepfake 的效果就已經好到可能會造成問題了。

雙面刃的 Deepfake

Deepfake 技術起初是希望能藉由電腦產生各種不同的逼真圖片或影片,來因應特效製作或老照片修復之類的工作,而要產生逼真圖片或影片,有許多不同的方法都能達成這個目的,目前 Deepfake 最常使用的方法為 2014 年提出的「生成對抗網路(Generative Adversarial Network, 簡稱 GAN)」,透過生成網路與判別網路的對抗,產生逼真的圖片或影片,因此說到 DeepFake,通常都會說起 GAN。

「我們會說 Deepfake 就是 GAN,是因為就目前生成技術還是以 GAN 最好,當然也有新的方法正在發展,所以未來未必還是以 GAN 作為主體,可能用別的方法偽造,也能做得很漂亮。」

許志仲也表示,Deepfake 的發展目標是正面的,技術本身是中立的,但使用者怎麼使用這項技術,就成了重要問題。而在不能確保使用者心態的情況下,辨偽技術成了這項技術的最後一道防線。而 Deepfake 辨識的主要問題,可以分為偏向研究的「偽造特徵不固定」,以及偏向實務面的「辨偽系統的使用情境差異」兩個面向。

Deepfake 辨識的研究困難:偽造特徵不固定

現在已經有可以辨識貓狗、車牌等物體的影像辨識系統,這些辨識系統也相當成熟可靠,直覺來說,要做出一套辨識 Deepfake 的辨識系統,應該也不會太困難吧?

但實際上卻並非如此,過往辨識系統的做法是抓取容易辨別的特徵,例如貓與狗兩者在形態上就有明顯的差異,只要給電腦夠多的訓練資料,就能有一組精確區分貓與狗的判別式,且能用到各種需要分辨貓與狗的情況下。

貓跟狗的形態差異很大,所以電腦能輕易辨別這兩種物種。圖/envato elements

先不談分辨人臉真假,就人臉辨識本身來說,就是個值得研究的問題,每個人的臉都長得差不多,差異在於五官的相對位置、形狀或大小有微小的差異,這使人臉辨識本身就難有通則可以去分辨。而不同方法生成相似的 Deepfake 圖片,並不一定具有相同的偽造特徵,從人臉特徵到偽造特徵都不固定,使得 Deepfake 辨識具有一定的困難度。

此外,即便用同一種方法製作同樣的 Deepfake 圖片,也會因為當初給的資料不同,使得偽造特徵出現差異,這讓「一組判別式就能判斷是否為 Deepfake」成為近乎不可能實現的夢。

也許,偽造特徵根本不在人臉上!?

面對 Deepfake 辨識的棘手問題,許志仲說:「要辨識的特徵太多元。我們覺得倒不如去尋找有什麼線索是 GAN 一致會產生的,這線索也許是我們眼睛看不到的,但是電腦可以透過學習的方式去挖掘,所以我就用了這種學習機制去抓出,會不會大部分的這種生成系統,都可能有共同的瑕疵。」

一張 Deepfake 照片並不只有人臉與五官,也包含了背景。而許志仲的論文指出,Deepfake 的偽造特徵,經常出現在背景,或是背景與人臉的交界處:

「臉通常都合成的很漂亮,但是背景跟臉的交界處會不自然。通常在髮絲的地方,髮絲的地方會糊掉這是一種,或是眉毛或者是額頭中的髮線也會有明顯差異。另外就是背景,會明顯看不出背景是什麼東西。大家都忽略看這裡(背景)很正常,而實驗結果也確實看到這些部分具有相對好的辨識度。」

使用 GAN 生成的 Deepfake 人臉。圖/This Person Does Not Exist

然而,即便該篇論文是近期發布的,許志仲也不敢肯定這套辨識方式是否能套用在目前的狀況下,他表示目前每半年,GAN 生成的 Deepfake 影像的逼真度,就會有顯著的突破,且沒有消退的趨勢。

Deepfake 辨識的實務困難:辨偽系統的使用情境差異

在實務上,許志仲認為目前還有更為棘手的問題需要解決,那就是辨偽系統的使用情境差異。以一段 Deepfake 影片上傳 Youtube 平台為例,上傳的時候 YouTube 就會先對影片進行壓縮,這時原有的 Deepfake 偽造特徵很可能會因為壓縮而被破壞,許志仲解釋:「有些人會故意加上一些雜訊、加一些後處理,比方說整個畫面做類似美肌之類的處理,這些都會破壞掉偽造的線索,我們發現這些狀況十分常見,而且很難克服。這也是為什麼現在幾乎沒有軟體或網站,提供 Deepfake 辨識服務。」

DeepFake 的歐巴馬與演員的解析度就不同。

在實驗室裡,我們可以拿到 GAN 生成的原始影像去做分析,但在網路世界裡,每一個影像都可能像上述的情況一樣,做了各種後處理才放到網路上,就算現在有研究指出某種辨認方式是有效的,也未必真的能應對網路上的複雜情況。

許志仲表示,目前看到有希望突破壓縮這個問題的辨認方式,是去抓人臉在一段影片中的五官變化是否足夠自然,這個線索可以克服壓縮的一點點問題,因爲是藉由五官相對位置的變化來偵測,這就跟壓縮沒太大關係。但正如前面提到的,人臉辨識是困難的,人臉的五官定位本身就無法做到精準,真要使用這套方法辨識 Deepfake,還需要更多研究來確認可行性。

也有研究者認為 GAN 理論雖然看似完美無瑕,但在產出 Deepfake 過程中仍可能會出現某些關鍵操作,只要藉由偵測畫面中是否有經歷這些操作,就能間接推測這個畫面是否為 Deepfake,不過這個做法的缺點也很明顯,那就是這些關鍵操作,也很可能只是正常的影片後製造成的,並造成不是 Deepfake 的影像也被歸類到 Deepfake 中。

情境逐個突破,讓研究能落地使用

說到這裡,許志仲語重心長地說:「我們研究做了這麼多偵測 Deepfake 的方法,但都不一定能在真實世界使用,這讓我非常意外,而上述的這些情境,也只是冰山一角。」

其實大家都在研究差不多的特徵,像是五官的落差,說話的時候嘴巴的動態變化會比較小或模糊之類的,但這些特徵面在真實的使用情境中,還能有多少辨識度,就真的是未知數。考量到真實情境的複雜度,目前許志仲認為逐個突破不同的情境下它們適合的辨偽方式,才是比較實實際的。

「我們必須先確認好問題是正確的,才能找到正確的答案。」許志仲說,要在實驗室裡做出一套數據漂亮的辨識系統並不困難,但要做出實際能用的辨識系統卻非常不簡單。

許志仲也嘗試將自己的研究成果運用在實際情境中,但面對製作公司精心製作的 Deepfake 影片,許志仲換了好幾套模型,也只有一套能判別出來,也呼應了「使用情境差異」才是辨識 Deepfake 無法落地的最大問題。

辨識系統在實驗室中可以使用、但在現實生活中卻不一定。圖/envato elements

各界都在防範 Deepfake 影響生活

GAN 要能生成以假亂真的 Deepfake 圖像,必須建構在有訓練完善的生成模型上,而一個訓練完善的生成模型,並不是隨便餵幾筆資料給 GAN 就會跑出來的,必須要有足夠算力的電腦,配合大量的資料才能完成。除了像 Google 或 Facebook 這種規模的公司有能力製作外,也只有部分研究單位,能做出這種以假亂真的生成模型。

許志仲說:「由於 Deepfake 對社會的影響很大,現在他們都只公開自己的程式碼,但不會公開自己的模型,主要就是怕模型被拿去幹壞事。」許志仲也坦承,對於辨偽技術的研究來說,目前的狀況是非常不利的,這代表研究者必須自己用程式碼生出不那麼精良的模型,來製作 Deepfake 圖片測試。

面對未來 Deepfake 是否會無法辨別,許志仲表示就影像上來說,這件事情是做得到的,總會有方法做出不被任何辨識系統偵測,堪稱完美的 Deepfake 影像。但身為防禦方的我們,並不是只能靠圖片辨識真偽,上傳的使用者、社群平台的 meta-data,這些能標示來源的訊息,都可能是我們辨識這部影片是否為 Deepfake 的線索。

影片的上傳者、發布的社群平台等等,都可能是我們辨識這部影片是否為 DeepFake 的線索。圖/envato elements

面對持續進化,仍看不見消退的 Deepfake 技術,許志仲也希望未來能有更多人一同加入 Deepfake 辨偽的研究行列,針對 Deepfake 辨偽系統的使用情境,我們還有非常多的問題等著被解答。

 

所有討論 3
A編
75 篇文章 ・ 907 位粉絲
PanSci 編輯|讀物理毀三觀的科學宅,喜歡相聲跟脫口秀,因為它們跟我一樣是個笑話。