福爾摩斯會很羨慕的5項尖端鑑識科技

本系列以往藉由講解真實案件，來分享鑑識科學；這篇則摘要免費電玩的虛構情境，鼓勵讀者親自體驗辦案。2023 年 1 月的《國際法醫期刊》（International Journal of Legal Medicine），介紹了一款德國漢堡開放線上大學（Hamburg Open Online University）的遊戲，名叫「Adventure Legal Medicine」（非官方中譯：法醫歷險）。論文詳述開發過程與教學功能，還強調玩家不管有無醫學知識，皆能輕易上手。^[1]

＝＝＝＝＝＝＝＝＝微劇情，防雷線＝＝＝＝＝＝＝＝＝

（想避開遊戲情境簡介的讀者，請跳過圖片後的第一段，謝謝。）

情境設定

依照學習的領域，此遊戲有下列 5 個故事情境，可供選擇：

1. 估計死亡時間（time of death estimation）：有人死在公寓裡。玩家必須選取正確的驗屍工具，例如：直腸體溫計（rectal thermometer）或神經反射錘（reflex hammer），來推估死亡時間。^{[1, 2]}
2. 體外驗屍檢查（external post-mortem examination）：河岸上死者的某些身體部位，藏有非自然死亡的線索。^[1]像是顱骨和手肘擦傷等，都有待玩家一探究竟。^[2]
3. 鑑識人類學（forensic anthropology）：森林裡，散落著人類骨骸。觀察並測量骨頭，以推估年紀、性別和身高。將結果拿去跟失蹤人口的檔案比對，玩家或許就能找出死者的身份。^[1]
4. DNA親子鑑定（DNA analysis/paternity test）：不知從哪迸出 4 個人，想繼承情境 2 那名死者的巨額財產。^[1]玩家得從唾液樣本，分析他們的 DNA，判斷誰才是真有血親關係的子嗣。^{[1, 2]}
5. 解剖、酒精與藥物（autopsy/alcohol and drug influence）：玩家幫車禍死者體外驗屍；解剖以檢查器官；並進行毒物學分析。最後，判讀以上檢查所得的結果。^[1]

開發過程

這個遊戲是鑑識病理學家、鑑識人類學家、心理學家、醫科學生、遊戲工程師和插畫藝術家，共同合作的結晶。類似於商業開發的線上遊戲，產品正式釋出之前，得先找人來封閉測試。2 名分別為 25 和 49 歲的男性；以及 21、25 與 54 歲的 3 名女性，率先嘗試情境 1 和 2 的前期測試版。研發團隊根據他們的感想與建議，改進遊戲，並設計情境 3。接著，請 40 名醫學系的學生，操作情境 1 至 3 的測試版。另外，其他不同教育程度的學生，作為一般大眾的樣本，也受邀試玩。最終統合大家的評論後，團隊設計出情境 4 和 5 的遊戲。^[1]

嚴肅遊戲

德國研發團隊將產品定位成「嚴肅遊戲」（serious game），以教學而非娛樂為主要目的，而且在視覺上多採灰階，來保持中性。^[1]筆者試玩了一小部份，又觀賞攻略影片，覺得繪圖和音效雖不華麗，但頗為用心。由於遊戲全程都有電子版的課本唾手可得，玩家本身無須具備專業知識。每個階段結束後，還能透過小測驗，了解學習成效。對相關科系而言，也可用於輔助教學或自學。從 2020 年 1 月在 Google Play 上架以來，有數千人下載，並獲得平均 4.5 星的評價；可惜不曉得線上網頁版的使用人次。^[1]下面是此遊戲的基本資料、連結與攻略，歡迎讀者分享闖關心得。

Adventure Legal Medicine

• 名稱：Adventure Legal Medicine^[1]（英文別名：Forensic Medicine Adventure；德文名稱：Abenteuer Rechtsmedizin）^[2]
• 對象：醫學相關科系的學生及一般愛好者。^[1]
• 語言：英文和德文。^[1]英文版的故事敘述，用字不難；但基於辦案的情境，勢必會出現骨骼、基因等，鑑識科學常見的專有名詞。
• 行動裝置版：僅支援Android系統的平板電腦和手機；沒有 iOS 的版本。請點超連結下載，或上Google Play搜尋「Abenteuer Rechtsmedizin」。^[1]
• 線上網頁版：http://elearning.uke.de/HOOU/RechtsmedizinSeriousGame/ （完全載入後，可以按下方代表德文的「DE」，將語言改為英文「EN」。）^[1]

參考資料

1. Anders S, Steen A, Müller T, et al. (2023) ‘Adventure Legal Medicine: a free online serious game for supplementary use in undergraduate medical education’. International Journal of Legal Medicine, 137, 545–549.
2. SLY MobileGaming (15 JAN 2021) ‘Forensic Medicine Adventure Abenteuer Rechtsmedizin | Point and Click Game Walkthrough’. YouTube.

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.

潮濕幽暗的地下道裡，老仙倚靠方桌端坐。他著唐裝，戴墨鏡，深藏不露，身後的大紅背板上，毛筆字寫著：紫微斗數、命名改運、生產擇日、事業詳批…，以及手相面相。心急問事的顧客也不探價碼，還沒坐穩，就懇請老仙從掌紋看未來。

倘若科技發展像 2022 年的西班牙論文所願，將來雷同的場景，可能會是這樣：窗明几淨的診間，護理師坐在電腦後。他見民眾進來，停止打字，笑容可掬，遞出的衛教單上寫道：「請詳讀程序介紹，並向醫師詢問不明白的地方。…簽署同意書後，再依照步驟，提供指紋。下次回診時，即可領取報告。」想預測發病機率的民眾，馬上掏出了健保卡。

指紋的形成

人類胚胎的外胚層（ectoderm），分化成上皮和神經組織。手指的皮紋（dermatoglyphs），也就是指紋，與神經成長重疊的時間，約是懷孕的第 6 至 24 週。^[1]除了控制皮膚生長的基因、肌肉、脂肪、皮膚下的血管外；染色體變異、病毒感染、子宮內的狀態，以及母體所受的壓力或使用的藥物等，也會形塑其紋理。^{[1, 2]}這就是同卵雙胞胎的 DNA 一樣，卻有不同指紋的原因。^[2]

西班牙科學家認為，如果懷孕過程中的任何干擾，使神經組織的發育異常，或許也會反映於同時正在成形的指紋上。^[1]基於定形後終生不變的特性，^{[1, 2]}指紋就像一份隨身攜帶，內容雖不完整，但是十分可靠的孕期病歷紀錄。頂多就是隨著年齡增長，偶爾受傷留疤，否則不太會妨礙判讀。^[1]

思覺失調症

思覺失調症（schizophrenia）是一種會影響思考、感覺和行為的精神疾患，症狀包括：幻覺（hallucinations）、妄想（delusions）、思考障礙、注意力渙散、動作怪異、表情減少、音調平淡、缺乏動力和社交退縮等。^[3]以往的文獻指出，相較於焦慮症（anxiety disorder）、雙極性疾患（bipolar disorder）和創傷後壓力症候群（post-traumatic stress disorder）等；思覺失調症病患的指紋格外獨特。理所當然，獲選為這個研究的對象。^[1]

西班牙團隊招募了 612 名泛思覺失調症患者（544 個思覺失調與 68 個情感性思覺失調）；以及 844 名健康的人。用指紋掃描機，把他們的指紋掃描成電子影像，篩選、校正並調整尺寸，再將資料餵給 AI，做深度學習。^[1]

準確率

回到本文開頭的情境，算命仙由掌紋預言運勢，要多模糊或精準，才能為顧客所接受？換作是醫療單位，從指紋推測是否會罹患思覺失調症，得多正確才算可信？

這個研究訓練出來的 AI，診斷的準確率約七成。^[1]乍聽之下，大概不覺得有多高。畢竟精神科醫師無視指紋，也能辨別出誰符合《精神疾病診斷與統計手冊第五版》（DSM-5）立定的標準。沒事弄來能力普通的新科技，豈不是多此一舉？但是別忘了，指紋終生不變，所以同樣的 AI 不僅能診斷，更可以預測，而且準確率依然是七成！^[1]這就不是醫師辦得到的了。

預測疾病發生的機率，就是為了及早防範。畢竟先天體質不是發病唯一條件；後天環境等因素，也扮演了重要的角色。然而，基於同樣的理由，僅從指紋提供的那麼丁點線索，AI 無法看到胎兒後來的遭遇，導致技術進步的空間有限。未來假使實際運用，必要配合基因和腦部醫療影像等其他資訊，來提高準確率。^[1]

參考資料

1. Salvador R, García-León MÁ, Feria-Raposo I, et al. (2022) ‘Fingerprints as Predictors of Schizophrenia: A Deep Learning Study’. Schizophrenia Bulletin, 29:sbac173.
2. ‘Are fingerprints determined by genetics?’. (07 JUL 2022) MedlinePlus.
3. ‘Schizophrenia’. (MAY 2022) U.S. National Institute of Mental Health.