滅火新趨勢：資料探勘直搗黃龍

本文與 美商德州博藝社科技 HEART 合作，泛科學企劃執行。

提到台灣令人焦慮的交通，多數人會想到都市裡的壅塞車潮，但真正致命的「塞車」，其實正悄悄發生在我們體內的動脈之中。

這場無聲的危機，主角是被稱為「壞膽固醇」的低密度脂蛋白（ Low-Density Lipoprotein，簡稱 LDL ）。它原本是血液中運送膽固醇的貨車角色，但當 LDL 顆粒數量失控，卻會開始在血管壁上「違規堆積」，讓「生命幹道」的血管日益狹窄，進而引發心肌梗塞或腦中風等嚴重後果。

科學家們還發現一個令人困惑的現象：即使 LDL 數值「看起來很漂亮」，心血管疾病卻依然找上門來！這究竟是怎麼一回事？沿用數十年的健康標準是否早已不敷使用？

膽固醇的「好壞」之分：一場體內的攻防戰

膽固醇是否越少越好？答案是否定的。事實上，我們體內攜帶膽固醇的脂蛋白主要分為兩種：高密度脂蛋白（High-Density Lipoprotein，簡稱 HDL）和低密度脂蛋白（ LDL ）。

想像一下您的血管是一條高速公路。HDL 就像是「清潔車隊」，負責將壞膽固醇（ LDL ）運來的多餘油脂垃圾清走。而 LDL 則像是在血管裡亂丟垃圾的「破壞者」。如果您的 HDL 清潔車隊數量太少，清不過來，垃圾便會堆積如山，最終導致血管堵塞，甚至引發心臟病或中風。

因此，過去數十年來，醫生建議男性 HDL 數值至少應達到 40 mg/dL，女性則需更高，達到 50 mg/dL（ mg/dL 是健檢報告上的標準單位，代表每 100 毫升血液中膽固醇的毫克數）。女性的標準較嚴格，是因為更年期後]pacg心血管保護力會大幅下降，需要更多的「清道夫」來維持血管健康。

相對地，LDL 則建議控制在 130 mg/dL 以下，以減緩垃圾堆積的速度。總膽固醇的理想數值則應控制在 200 mg/dL 以內。這些看似枯燥的數字，實則反映了體內一場血管清潔隊與垃圾山之間的攻防戰。

那麼，為何同為脂蛋白，HDL 被稱為「好」的，而 LDL 卻是「壞」的呢？這並非簡單的貼標籤。我們吃下肚或肝臟製造的脂肪，會透過血液運送到全身，這些在血液中流動的脂肪即為「血脂」，主要成分包含三酸甘油酯和膽固醇。三酸甘油酯是身體儲存能量的重要形式，而膽固醇更是細胞膜、荷爾蒙、維生素D和膽汁不可或缺的原料。

這些血脂對身體運作至關重要，本身並非有害物質。然而，由於脂質是油溶性的，無法直接在血液裡自由流動。因此，在血管或淋巴管裡，脂質需要跟「載脂蛋白」這種特殊的蛋白質結合，變成可以親近水的「脂蛋白」，才能順利在全身循環運輸。

肝臟是生產這些「運輸用蛋白質」的主要工廠，製造出多種蛋白質來運載脂肪。其中，低密度脂蛋白載運大量膽固醇，將其精準送往各組織器官。這也是為什麼低密度脂蛋白膽固醇的縮寫是 LDL-C (全稱是 Low-Density Lipoprotein Cholesterol )。

當血液中 LDL-C 過高時，部分 LDL 可能會被「氧化」變質。這些變質或過量的 LDL 容易在血管壁上引發一連串發炎反應，最終形成粥狀硬化斑塊，導致血管阻塞。因此，LDL-C 被冠上「壞膽固醇」的稱號，因為它與心腦血管疾病的風險密切相關。

高密度脂蛋白（HDL） 則恰好相反。其組成近半為蛋白質，膽固醇比例較少，因此有許多「空位」可供載運。HDL-C 就像血管裡的「清道夫」，負責清除血管壁上多餘的膽固醇，並將其運回肝臟代謝處理。正因為如此，HDL-C 被視為「好膽固醇」。

過去數十年來，醫學界主流觀點認為 LDL-C 越低越好。許多降血脂藥物，如史他汀類（Statins）以及近年發展的 PCSK9 抑制劑，其主要目標皆是降低血液中的 LDL-C 濃度。

然而，科學家們在臨床上發現，儘管許多人的 LDL-C 數值控制得很好，甚至很低，卻仍舊發生中風或心肌梗塞！難道我們對膽固醇的認知，一開始就抓錯了重點？

傳統判讀失準？LDL-C 達標仍難逃心血管危機

早在 2009 年，美國心臟協會與加州大學洛杉磯分校（UCLA）進行了一項大型的回溯性研究。研究團隊分析了 2000 年至 2006 年間，全美超過 13 萬名心臟病住院患者的數據，並記錄了他們入院時的血脂數值。

結果發現，在那些沒有心血管疾病或糖尿病史的患者中，竟有高達 72.1% 的人，其入院時的 LDL-C 數值低於當時建議的 130 mg/dL「安全標準」！即使對於已有心臟病史的患者，也有半數人的 LDL-C 數值低於 100 mg/dL。

這項研究明確指出，依照當時的指引標準，絕大多數首次心臟病發作的患者，其 LDL-C 數值其實都在「可接受範圍」內。這意味著，單純依賴 LDL-C 數值，並無法有效預防心臟病發作。

科學家們為此感到相當棘手。傳統僅檢測 LDL-C 總量的方式，可能就像只計算路上有多少貨車，卻沒有注意到有些貨車的「駕駛行為」其實非常危險一樣，沒辦法完全揪出真正的問題根源！因此，科學家們決定進一步深入檢視這些「駕駛」，找出誰才是真正的麻煩製造者。

LDL 家族的「頭號戰犯」：L5 型低密度脂蛋白

為了精準揪出 LDL 裡，誰才是最危險的分子，科學家們投入大量心力。他們發現，LDL 這個「壞膽固醇」家族並非均質，其成員有大小、密度之分，甚至帶有不同的電荷，如同各式型號的貨車與脾性各異的「駕駛」。

早在 1979 年，已有科學家提出某些帶有較強「負電性」的 LDL 分子可能與動脈粥狀硬化有關。這些帶負電的 LDL 就像特別容易「黏」在血管壁上的頑固污漬。

台灣留美科學家陳珠璜教授、楊朝諭教授及其團隊在這方面取得突破性的貢獻。他們利用一種叫做「陰離子交換層析法」的精密技術，像是用一個特殊的「電荷篩子」，依照 LDL 粒子所帶負電荷的多寡，成功將 LDL 分離成 L1 到 L5 五個主要的亞群。其中 L1 帶負電荷最少，相對溫和；而 L5 則帶有最多負電荷，電負性最強，最容易在血管中暴衝的「路怒症駕駛」。

2003 年，陳教授團隊首次從心肌梗塞患者血液中，分離並確認了 L5 的存在。他們後續多年的研究進一步證實，在急性心肌梗塞或糖尿病等高風險族群的血液中，L5 的濃度會顯著升高。

L5 的蛋白質結構很不一樣，不僅天生帶有超強負電性，還可能與其他不同的蛋白質結合，或經過「醣基化」修飾，就像在自己外面額外裝上了一些醣類分子。這些特殊的結構和性質，使 L5 成為血管中的「頭號戰犯」。

當 L5 出現時，它並非僅僅路過，而是會直接「搞破壞」：首先，L5 會直接損傷內皮細胞，讓細胞凋亡，甚至讓血管壁的通透性增加，如同在血管壁上鑿洞。接著，L5 會刺激血管壁產生發炎反應。血管壁受傷、發炎後，血液中的免疫細胞便會前來「救災」。

然而，這些免疫細胞在吞噬過多包括 L5 在內的壞東西後，會堆積在血管壁上，逐漸形成硬化斑塊，使血管日益狹窄，這便是我們常聽到的「動脈粥狀硬化」。若這些不穩定的斑塊破裂，可能引發急性血栓，直接堵死血管！若發生在供應心臟血液的冠狀動脈，就會造成心肌梗塞；若發生在腦部血管，則會導致腦中風。

L5：心血管風險評估新指標

現在，我們已明確指出 L5 才是 LDL 家族中真正的「破壞之王」。因此，是時候調整我們對膽固醇數值的看法了。現在，除了關注 LDL-C 的「總量」，我們更應該留意血液中 L5 佔所有 LDL 的「百分比」，即 L5%。

陳珠璜教授也將這項 L5 檢測觀念，從世界知名的德州心臟中心帶回台灣，並創辦了美商德州博藝社科技（HEART）。HEART 在台灣研發出嶄新科技，並在美國、歐盟、英國、加拿大、台灣取得專利許可，日本也正在申請中，希望能讓更多台灣民眾受惠於這項更精準的檢測服務。

一般來說，如果您的 L5% 數值小於 2%，通常代表心血管風險較低。但若 L5% 大於 5%，您就屬於高風險族群，建議進一步進行影像學檢查。特別是當 L5% 大於 8% 時，務必提高警覺，這可能預示著心血管疾病即將發作，或已在悄悄進展中。

對於已有心肌梗塞或中風病史的患者，定期監測 L5% 更是評估疾病復發風險的重要指標。此外，糖尿病、高血壓、高血脂、代謝症候群，以及長期吸菸者，L5% 檢測也能提供額外且有價值的風險評估參考。

隨著醫療科技逐步邁向「精準醫療」的時代，無論是癌症還是心血管疾病的防治，都不再只是單純依賴傳統的身高、體重等指標，而是進一步透過更精密的生物標記，例如特定的蛋白質或代謝物，來更準確地捕捉疾病發生前的徵兆。

您是否曾檢測過 L5% 數值，或是對這項新興的健康指標感到好奇呢？

在這裡介紹過了牛津大學網路研究所教授麥爾荀伯格（Viktor Mayer-Schonberger）和《經濟學人》（The Economist）雜誌資料編輯庫基耶（Kenneth Cukier）的《大數據》（Big Data: A Revolution That Will Transform How We Live, Work, and Think）這本好書，他們探討大數據（巨量資料）是什麼碗糕，大數據有什麼意義，還有大數據將如何改變我們的生活，對經濟、社會和科學會帶來什麼影響，我們又能如何趕搭上這波新潮流，如何懂得保護自己，避免個人資料和隱私受到侵害等等（請參見〈快準狠的大數據〉）。

這次他們把魔爪…哦不…觸手伸到了「教育」，寫了這本《大數據：教育篇：教學與學習的未來趨勢》（Learning with Big Data: The Future of Education），因為跟據他們的觀察，大數據正在跨入教育體系，對於全世界的教學與學習活動，勢必將產生極為深遠的影響，因此在這本書就是要談談大數據將如何改變教育。

他們舉出「大規模開放式線上課程」（MOOC）、可汗學院（Khan Academy）、Duolingo語文學習網站等案例。雖然這些線上課程早已不是新聞了，可是他們要再進一步告訴我們，當大數據的時代來臨，教育就不只 是上課聽講、讀書考試打成績、或是輕易選修更多科目而已。透過大數據，我們可以擁有史上最強大、具實證效果的工具，能夠瞭解「誰在學習」、「怎樣教學」與 「如何學習」這些重要的課題。

大數據讓我們前所未有的方式和觀點，看到究竟什麼有用、什麼沒用，以前不可能觀察到的種種學習阻礙，現在有辦法一一化解，大幅改善學生的學習成效，顛覆傳 統教學模式，造福更多學子。課程可以依據學生個人的需求做調整，真正做到因材施教，因為教師可以透過學生在線上學習時不經意的行為來判斷成效、調整教學內 容和順序，以及多次複習會造成學習瓶頸的困難觀念，甚至即時因應學生的反應而出招等等。教師的工作不會被教學網路和影片取代，而會變得更有效益、也更有 趣，因為能夠更專注針對學生作個人化的指導。

他們也認利用大數據分析，學校領導者和政府決策官員，也能用更低的成本提供更多教育機會，這些正是減少社會貧富差距、讓社經階層流動的重要因素；社會大眾 也能夠知道「學習」應當是怎麼一回事，打破教育主管機關和學校的壟斷地位，從而讓教育的本質和體制徹底翻轉。他們主張，大數據時代正是不斷學習的時代、翻 轉教育的時代！

不過大數據的應用是雙面刃，我們可能會把相關性誤判為因果，而且如果學生的個資無法被保護，其舊學習歷程被曝光，可是會影響日後的升學與就業。關於這方 面，《大數據：教育篇》引用了《大數據》的許多觀念和案例，例如誤將相關性當因果以及個資保護等等，所以建議也要去讀《大數據》這本書。

不過，盡信書不如無書，作者在西方遇到的問題，和我們在東亞遇到的，有很大的差異。最大的差異有兩點。

一個大差異，在一張很多網友在臉書分享的圖表清楚表達出來：圖裡有兩條軸線，第一條軸線為「歐美人才養成」，而第二條則是「台灣人才養成」，軸線將學習生 涯分成「學前」、「小學」、「國中」、「高中」以及「大學」等五個階段。「歐美人才養成」各階段的學習目標相當明確並且不同，學前做好生活管理、小學探索 環境、國中要開始找尋自己的夢想、高中則要面對生涯抉擇，而到了大學就要開始培養實務能力。

台灣人才培養的軸線，從「學前」一直到「高中」生涯，全是「讀書考試」，一直到「大學」時期，才要將「生活管理」、「探索環境」、「找尋夢想」、「生涯抉擇」以及「培養實務能力」一次統統完成，其中當然還少不了「讀書考試」。

歐美的教育偏向素質教育，相對於偏重考試的應試教育而言，較為注重體育、藝術能力和多元智能的培養，而真正的素質教育，目的在於讓學生能發揮個人潛能，各 展所長，並培養良好的品格，並不局限於學術上的才能。台灣的教育能夠篩選出很會考試（甚至還不見得會「讀書」哦）的學生，連公務系統都極度依賴考試，雖然 有好些公家工作幾乎不需要考試的技能。可是因為考試實在太浮濫，使得疲於奔命的教師能好好用心出題的時間都被嚴重壓縮，連有沒有認認真真地好好考考學生各 方面的學術能力都成問題，更甭提學術能力也非社會所需的全部。

另外一個差異是，台灣的教育太過注重標準答案，可是嚴重扼殺學生的創意。但是歐美的教育很注重個人的啟發，所以頂尖的人才在歐美的教育環境，往往可以更容 易發揮出他們的潛力，表現出他們充沛的創造力。可是他們的對素質一般的學生，反正做得不見得比台灣好。台灣的教育環境，讓學生拚命練習考試、練習考試再練 習考試，讓學生的程度比起歐美整齊的多。以我和朋友們在美國唸博班當助教的經驗來看，台灣學生的程度差異在一個班中，算是比較整齊的，成績優劣幾乎憑個人 努力付出多寡。可是在美國大學，尤其是公立學校，大部分的學生，在數理方面真的很不行！

舉個例子來說，我們常常看到學生在實驗數據中，他們嘗試要把上噸的鹽溶在小燒杯裡，或者把實驗桌上的小鉛球射上火星，因為連單位都搞錯了Orz 有位老師在普通生物學考題上問學生什麼是pH值，居然有四分之一的學生選擇「它不存在」；還有老師指出，大四的學生，居然有兩成回答果蠅的基因數量是小於 一，另外兩成寫無窮大（正確數目大約是一萬多），他說那四成學生基本上是「完全的廢物」；還有很多搞笑的事，真是罄竹難書。面對這些學生，教授們的態度往 往是「放棄」，可是大數據或許能讓這情勢反轉。

台灣的教育環境，往往比歐美更善待中上程度的學生，用嚴酷的練習考試來磨練他們的能力，可是卻嚴重地忽略了頂尖人材的教育，而且也幾乎完全沒有為培養社會 各界的領袖所準備。台灣的大學，就算連頂尖的台大和清大，大致上都還是停留在訓練優異的幹部為主，教授的教學方式和內容，和其他大部分的大學幾乎沒差太 多，頂多深度有一些差異而已。可是，就拿美國來說，頂尖大學的目標是在培養頂尖的領袖！一流大學的目標是在培養社會各界菁英、二流大學的是在培養優異的幹 部、三流大學的是在培養良好的基層員工等等。所以，很不幸的，台灣的大學可能在培養優異的幹部上很稱職，可是要成為社會各界菁英，就只能靠學生自己的努力 和見識，領袖的話就算了。

要培養出優異的幹部，大數據的應用應該有其優勢，可是社會菁英和領袖的培養，大數據或許無用武之地，因為大據數無法告訴你過去未曾發生的事情，也無法預測 和產生出創新，因此對於台灣的教育，大數據可以提高學生的學業，可是五育的訓練，以及領袖和社會菁英的培養，我們可能先不要去思考什麼大數據之類的，先從 整體教育環境下手才比較實際。

關於教育，這裡只能點出冰山一角，我也沒有標準答案，但請容我在此私心介紹一位好友謝宇程在商周的高人氣專欄「學與業壯遊」，裡頭有很多很多問題，我們必須繼續思索。

台灣教育問題多如牛毛，不過我們不必對台灣教育灰心，看了以下影片，你應該會很感動，希望還是在的：

本文原刊登於【GENE思書軒】，並同步刊登於The Sky of Gene。

《精準預測：如何從巨量雜訊中，看出重要的訊息？》（The Signal and the Noise: Why So Many Predictions Fail—but Some Don’t）是一本非常值得期待的好書，Amazon.com就把《精準預測》評選為2012年最佳非文字書籍第一名！這不意外，因為Amazon.com就是精準預測顧客品味而稱霸零售業的XD 《精準預測》長居《紐約時報》（The New York Times）和Amazon.com的暢銷排行榜。

以一本談統計和預測的書而言，《精準預測》暢銷得異常。可是讀了《精準預測》之 後，就完全不意外了，因為《精準預測》真的是本很好看的書！雖然是處女作，不過席佛卻能把統計預測這看似乏味的事，解說成是世界上最有趣的玩意兒之一！他 對統計預測在經濟學、政治學、氣候學、地震學、流行病學、電腦科技、棒球、德州撲克、體育賭博等等領域，都有獨到和精闢的見解，讀這本《精準預測》是一趟樂趣無窮的知性之旅！

討論大數據的書開始變多，所以有了大數據，我們對這個世界的各方面，就能做出更好的預測嗎？各行各業和各學門，是否都要擁抱大數據呢？《大數據》（Big Data: A Revolution That Will Transform How We Live, Work, and Think）告訴我們，在大數據時代，可以不必在乎因果的問題，還有不擔心雜訊（請參見〈快準狠的大數據（Big Data）〉）。

可是預測天才奈特．席佛（Nate Silver）卻在《精準預測》指 出，其實關鍵還是人的解讀，不是純粹的數字而已。而最難預測之處在於，我們要懂得分辨出哪些是無意義的雜訊，哪些才是關鍵的訊號。如果誤把雜訊當訊號，做 出來的預測，不管用的數據有多龐大，都不會準確，而且嚴重的謬誤與損失還會迎面而來！數據導向的預測會成功也會失誤，數據並非多就是美，要求更多數據之 際，人更應該自我要求模型的正確。

席佛是美國當代知名的統計與預測鬼才。據說他從小就對數字與思考展現興趣與天分，六歲便開始預測棒球賽事。他進入芝加哥大學主修經濟學，並在大三前往倫敦 政經學院研修一年。大學畢業後，進入安侯建業事務所（KPMG）擔任顧問。在安侯建業雖然他有一份穩定高薪的工作，可是卻不是他真正想要的。

閱讀全文：

精準預測的訊號與雜訊