感覺理所當然的醫學大數據

數位世界已經改變了我們日常生活的體驗，一個人從早到晚都會接受到大量數據，受益於大量數據，也貢獻大量數據。這些數據龐大的程度，和消化資訊的方式已經太過繁多，人類心智根本無法處理。

與數位科技建立夥伴關係

所以人會本能地或潛意識地倚賴軟體來處理、組織、篩選出必要或有用的資訊，也就是根據用戶過去的偏好或目前的流行，來挑選要瀏覽的新項目、要看的電影、要播放的音樂。自動策劃的體驗很輕鬆容易，又能讓人滿足，人們只會在沒有自動化服務，例如閱讀別人臉書塗鴉牆上的貼文，或是用別人的網飛帳號看電影時，才會注意到這服務的存在。

有人工智慧協助的網路平臺加速整合，並加深了個人與數位科技間的連結。人工智慧經過設計和訓練，能直覺地解決人類的問題、掌握人類的目標，原本只有人類心智才能管理的各種選擇，現在能由網路平臺來引導、詮釋和記錄（儘管效率比較差）。

網路平臺收集資訊和體驗來完成這些任務，任何一個人的大腦在壽命期限內都不可能容納如此大量的資訊和體驗，所以網路平臺能產出看起來非常恰當的答案和建議。例如，採購員不管再怎麼投入工作，在挑選冬季長靴的時候，也不可能從全國成千上萬的類似商品、近期天氣預測、季節因素、回顧過去的搜尋記錄、調查物流模式之後，才決定最佳的採購項目，但人工智慧可以完整評估上述所有因素。

因此，由人工智慧驅動的網路平臺經常和我們每個人互動，但我們在歷史上從未和其他產品、服務或機器這樣互動過。當我們個人在和人工智慧互動的時候，人工智慧會適應個人用戶的偏好（網際網路瀏覽記錄、搜尋記錄、旅遊史、收入水準、社交連結），開始形成一種隱形的夥伴關係。

個人用戶逐漸依賴這樣的平臺來完成一串功能，但這些功能過去可能由郵政、百貨公司，或是接待禮賓、懺悔自白的人和朋友，或是企業、政府或其他人類一起來完成。

個人、網路平臺和平臺用戶之間的關係，是一種親密關係與遠距聯繫的新穎組合。人工智慧網路平臺審查大量的用戶數據，其中大部分是個人數據（如位置、聯絡資訊、朋友圈、同事圈、金融與健康資訊）；網路會把人工智慧當成嚮導，或讓人工智慧來安排個人化體驗。

人工智慧如此精準、正確，是因為人工智慧有能力可以根據數億段類似的關係，以及上兆次空間（用戶群的地理範圍）與時間（集合了過去的使用）的互動來回顧和反應。網路平臺用戶與人工智慧形成了緊密的互動，並互相學習。

網路平臺的人工智慧使用邏輯，在很多方面對人類來說都難以理解。例如，運用人工智慧的網路平臺在評估圖片、貼文或搜尋時，人類可能無法明確地理解人工智慧會在特定情境下如何運作。谷歌的工程師知道他們的搜尋功能若有人工智慧，就會有清楚的搜尋結果；若沒有人工智慧，搜尋結果就不會那麼清楚，但工程師沒辦法解釋為什麼某些結果的排序比較高。

要評鑑人工智慧的優劣，看的是結果實用不實用，不是看過程。這代表我們的輕重緩急已經和早期不一樣了，以前每個機械的步驟或思考的過程都會由人類來體驗（想法、對話、管理流程），或讓人類可以暫停、檢查、重複。

人工智慧陪伴現代人的生活

例如，在許多工業化地區，旅行的過程已經不需要「找方向」了。以前這過程需要人力，要先打電話給我們要拜訪的對象，查看紙本地圖，然後常常在加油站或便利商店停下來，確認我們的方向對不對。現在，透過手機應用程式，旅行的過程可以更有效率。

這些應用程式不但可以根據他們「所知」的交通記錄來評估可能的路線與每條路線所花費的時間，還可以考量到當天的交通事故、可能造成延誤的特殊狀況（駕駛過程中的延誤）和其他跡象（其他用戶的搜尋），來避免和別人走同一條路。

從看地圖到線上導航，這轉變如此方便，很少人會停下來想想這種變化有多大的革命性意義，又會帶來什麼後果。個人用戶、社會與網路平臺和營運商建立了新關係，並信任網路平臺與演算法可以產生準確的結果，獲得了便利，成為數據集的一部分，而這數據集又在持續進化（至少會在大家使用應用程式的時候追蹤個人的位置）。

在某種意義上，使用這種服務的人並不是獨自駕駛，而是系統的一部分。在系統內，人類和機器智慧一起協作，引導一群人透過各自的路線聚集在一起。

持續陪伴型的人工智慧會愈來愈普及，醫療保健、物流、零售、金融、通訊、媒體、運輸和娛樂等產業持續發展，我們的日常生活體驗透過網路平臺一直在變化。

當用戶找人工智慧網路平臺來協助他們完成任務的時候，因為網路平臺可以收集、提煉資訊，所以用戶得到了益處，上個世代完全沒有這種經驗。這種平臺追求新穎模式的規模、力量、功能，讓個人用戶獲得前所未有的便利和能力；同時，這些用戶進入一種前所未有的人機對話中。

運用人工智慧的網路平臺有能力可以用我們無法清楚理解，甚至無法明確定義或表示的方式來形塑人類的活動，這裡有一個很重要的問題：這種人工智慧的目標功能是什麼？由誰設計？在哪些監管參數範圍裡？

類似問題的答案會繼續塑造未來的生活與未來的社會：誰在操作？誰在定義這些流程的限制？這些人對於社會規範和制度會有什麼影響？有人可以存取人工智慧的感知嗎？有的話，這人是誰？

如果沒有人類可以完全理解或查看數據，或檢視每個步驟，也就是說假設人類的角色只負責設計、監控和設定人工智慧的參數，那麼對人工智慧的限制應該要讓我們放心？還是讓我們不安？還是既放心又不安？

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。

作者：潘人豪助理教授，元智大學大數據與數位匯流創新中心

最近時常帶著來台灣受訓考察的外國朋友，到國內大型醫院做數位化醫院的介紹與教學。當中最讓人感到有趣的，就是這些來自發展中國家的朋友們，對台灣高度資訊化的醫療現場、醫院流程總是處處充滿著驚奇與讚嘆，但這些資訊化的醫院程序，對於居住在台灣的我們來說，彷彿理所當然般的熟悉，但，我們是否有曾經思考過，這些再普遍不過的醫院就醫流程，到底是怎麼發生在我們身活的周遭裡呢？

不知你是否曾想過，當你到醫院看病時，必須與所有病人擠在鐵閘門外彷彿沙丁魚罐頭般毫無秩序的等待著自己名字被呼喊，而醫生則彷彿珍奇異獸般在那保護周密的籠子裡幫人看診。不知你又是否能想像，當醫生要求你要拍攝 X 光片或檢驗時，你必須等到「改天」再回來「戶外」的放射間拍攝，隨後「改天」自行回來找你的 X 光片後，再「改天」重新化身沙丁魚回診讓醫生幫你看片做診斷，而這手沖的 X 光片，並沒有人會幫你分類保管，而是要你自己好好地攜帶保存，更不用說醫院會保存那屬於你的病歷資料。而這些才是屬於當地人們理所當然的日常生活。

在世界名列前茅醫療資訊高度發展的台灣，看診時從網路掛號、候診順序、診間病歷調閱、醫師醫令、處方開立，一直到放射影像存取、檢查檢驗資料儲存等等，無數的數據資訊悄悄的在我們沒有注意的時候在醫院各個角落中傳遞、交換、儲存，在你拍完 X 光片還沒走回診間時，X 光設備便已經透過光纖將你的資料送達儲存在資訊機房設備中，當你返回醫師診間時，醫生便能透過診間電腦進行調閱診斷。同時，大多數你的生理檢驗資訊，同樣的在你回診時得以從電子病歷中檢索。這些我們感覺理所當然資訊處理，在發展中國家甚至需要一個月時間才能完成所有步驟，但在台灣我們只要一天甚至一個早上便達成了！

這一切正是仰賴醫學資訊分析的與醫療大數據交換處理。醫學大數據的產生，主要歸功於醫療設備數位化及電子化病歷發展兩大領域的突破，透過儀器數位化（如放射設備、檢驗設備與電子訊號儀器等），醫院得以獲得更多病人疾病與健康資訊紀錄。然而在病人醫療診斷上，為了妥善紀錄病患個人資料、診斷資料與過往醫療紀錄、照護紀錄與前面提及的放射、檢驗結果等，即促成了電子病歷系統發展。

電子病歷的發展由過去由紙張紀錄抄寫、早期的數位化紀錄病人個人資訊、生理數據與疾病健康資訊紀錄的電子健康資訊系統（electronic health record，EHR），一路發展至目前國內醫療院所普遍使用，醫師可於診斷時在診間電腦進行病歷、檢查檢驗、放射影像數據等資料調用的病歷資料電腦化系統（computerized medical records，CMR），再到目前當紅發展，藉由設備間共通協定進行資料的交換串接，實現自動資訊蒐集的醫療記錄自動化系統（automated medical record，AMR），如自動化檢驗設備流程平台、移動護理資訊系統等等透過電腦自動化數據傳輸將檢體檢驗數據結果或是病人生理資訊，自動將該檢體與病人條碼自動配對與結果回傳儲存，取代以往的人工抄寫輸入流程。

醫學大數據發展的軌跡由過去紙張記錄、紙本資訊數位化、醫學紀錄儲存到現今多資訊整合，其數據量驚人的成長，不僅由過去個人社經資訊、診斷資訊等文字媒介，更擴展到多媒體影像資訊（X 光影像、高解析靜態影像）、動態視訊影像資訊（如磁振造影（magnetic resonance imaging, MRI）動態影像檔、內視鏡攝影）以及電訊號資訊，如心電圖（Electrocardiogram, EKG / ECG）、腦波訊號（Electroencephalography, EEG）等等，這些龐大醫學數據的彙集與高度整合技術能力，正是台灣醫學資訊發展超群的主因，同時更顯見醫學數據發展的多元應用與其重要性。

當今醫學大數據的發展趨勢，架構在臨床、非臨床、放射、檢驗、公共衛生以及醫療保險各領域之資訊彙整上，所衍生之各種分析、整合技術與服務，我們可以從麥肯錫公司（McKinsey & Company）於 2013 年所發表的 The “big data” revolution in healthcare 趨勢報告了解，未來醫學大數據發展及應用所朝向的五個目標，將鎖定在提供人們更佳的生活品質（Right living）、更安全的醫療照護（Right care）、更具水準的醫事人員（RIght provider）、產出更高醫療價值與降低醫療成本（Right value）以及更多創新（Right Innovation）醫療應用，其含括層次包含個人、醫事工作者、醫療單位、設施以及公共群體、政府政策與國際健康衛生，由下至上皆直接受惠於醫學大數據應用之發展，就像目前當紅的健保資料庫加值應用、穿戴式裝置的個人健康管理、遠距照護的資訊傳遞、個人保健雲，許許多多的創新應用都說明了醫學大數據未來的重要性與發展潛力。

在百花齊放的醫學大數據應用中，最後我們可以稍稍反思一下，依據 2012 年 10 月實施之新版個資法規範，如何確保隸屬於極端隱私的個人醫療資訊於大數據計算載體間傳遞並且符合個人資料保護原則、資料歸屬權與道德隱私等議題，相信會是未來醫學大數據發展的另一波衝擊與探討重點。當我們在享受就醫的便利與各種個人健康數據管理裝置、軟體的介入下，你是否開始認識自我資訊隱私的安全保護呢？

醫學大數據小辭典：

• 醫學影像存檔與通信系統（Picture archiving and communication system，PACS）：在過去紙本化醫療紀錄制度中，影像資料如X光片、電腦斷層掃描（CT）、核磁共振（MRI）、超音波影像，僅能由專業儀器或是直接沖洗底片才得以讓醫師進行觀察與診斷。因此病例管理便顯得特別重要，因為若無法有效檢索，影像底片自然無處可尋。因此在許多開發中國家，甚至採用膠片讓病患自行帶回的方式，自行管理以避免資料丟失。但在PACS系統的發展後，透過數位化影像擷取技術將過去需要做底片沖洗的過程直接以數位化方式取代，並採用網路進行存取，醫事人員得以在診間，甚至病床端直接進行影像分析與診斷，更避免了過去實體文件儲存所花費的高額成本。（資料來源：潘人豪助理教授，元智大學大數據與數位匯流創新中心）

• 電子病歷 （Electronic medical records，EMR）：紙本化手寫病歷是醫發展重要工具之一，透過對病況的紀錄與編撰，醫事人員得以瞭解該病患的疾病歷史、生理、心理狀況等資料，因此在醫師的訓練過程中，如何客觀評估病人狀態並給予正確診斷、處置並紀錄於病歷中，便是一門大學問，也因此發展出所謂的SOAP （ Subject, Objective, Assessment, Plan）紀錄方法。然而在醫院規模的成長，病歷的管理、儲存與調閱便越顯困難，在許多開發中國家甚至因為無法有效儲存，導致每次的看診都需重覆建檔，因而造成病人的醫療品質低落。而電子病歷便是因此而發展出，透過電腦建檔，電子病歷便可以在電子載體中儲存、複製與傳輸，更不會受限於紙本調閱在空間與時間上造成的成本耗損，醫事人員可以在醫院內任何受權存取的電腦或設備上進行讀取（前提是經過身份核準），而當下的電子病歷更大幅擴展到包含實驗室資訊、檢查報告、數據、護理紀錄，生命徵象紀錄，藥物使用記錄等等，將病人的疾病資料更加完整的整合，以提供醫師更精確的疾病資料以維持醫療品質與病人就醫安全。（資料來源：潘人豪助理教授，元智大學大數據與數位匯流創新中心）

想了解更多大數據知識，歡迎訂閱元智大學大數據匯流電子報創刊號  

搭配不同的任務，人工智慧的應用方式也不一樣，所以開發人員用來創造人工智慧的科技也不一樣。這是部署機器學習時最基礎的挑戰：不同的目標和功能需要不同的訓練技巧。

不過，結合不同的機器學習法，尤其是應用神經網路，就出現不同的可能性，例如發現癌症的人工智慧。

機器的 3 種學習形式

在我們撰寫本章的時候，機器學習的三種形式：受監督式學習、不受監督式學習和增強式學習，都值得注意。

受監督式學習催生了發現海利黴素的人工智慧。總結來說，麻省理工學院的研究人員想要找出有潛力的新抗生素，在資料庫裡放入二千種分子來訓練模型，輸入項目是分子結構，輸出項目是抑菌效果；研究人員把分子結構展示給人工智慧看，每一種結構都標示抗菌力，然後讓人工智慧去評估新化合物的抗菌效果。

這種技巧稱為受監督式學習，因為人工智慧開發人員利用包含了輸入範例（即分子結構）的資料集，在這裡面，每一筆數據都單獨標示研究人員想要的輸出項目或結果（即抗菌力）。

開發人員已經把受監督式學習的技巧應用於許多處，例如創造人工智慧來辨識影像。為了這項任務，人工智慧先拿已經標示好的圖像來訓練，學著把圖像和標籤，例如把貓的照片和「貓」的標籤，聯想在一起，人工智慧把圖片和標籤的關係編碼之後，就可以正確地辨識新圖片。

因此，當開發人員有一個資料集，其中每個輸入項目都有期望的輸出項目，受監督式學習就能有效地創造出模型，根據新的輸入項目來預測輸出項目。

不過，當開發人員只有大量資料，沒有建立關係的時候，他們可以透過不受監督式學習來找出可能有用的見解。因為網際網路與資料數位化，比過去更容易取得資料，現在企業、政府和研究人員都被淹沒在資料中。

行銷人員擁有更多顧客資訊、生物學家擁有更多資料、銀行家有更多金融交易記錄。當行銷人員想要找出客戶群，或詐騙分析師想要在大量交易中找到不一致的資訊，不受監督式學習就可以讓人工智慧在不確定結果的資訊中找出異常模式。

這時，訓練資料只有輸入項目，然後工程師會要求學習演算法根據相似性來設定權重，將資料分類。舉例來說，像網飛（Netflix）這樣的影音串流服務，就是利用演算法來找出哪些觀眾群有類似的觀影習慣，才好向他們推薦更多節目；但要優化、微調這樣的演算法會很複雜：因為多數人有好幾種興趣，會同時出現在很多組別裡。

經過不受監督式學習法訓練的人工智慧，可以找出人類或許會錯過的模式，因為這些模式很微妙、數據規模又龐大。因為這樣的人工智慧在訓練時沒有明定什麼結果才「適當」，所以可以產生讓人驚豔的創新見解，這其實和人類的自我教育沒什麼不同——無論是人類自學或是人工智慧，都會產生稀奇古怪、荒謬無理的結果。

不管是受監督式學習法或不受監督式學習法，人工智慧都是運用資料來執行任務，以發現新趨勢、識別影像或做出預測。在資料分析之外，研究人員想要訓練人工智慧在多變的環境裡操作，第三種機器學習法就誕生了。

增強式學習：需要理想的模擬情境與回饋機制

若用增強式學習，人工智慧就不是被動地識別資料間的關聯，而是在受控的環境裡具備「能動性」，觀察並記錄自己的行動會有什麼反應；通常這都是模擬的過程， 把複雜的真實世界給簡化了，在生產線上準確地模擬機器人比較容易，在擁擠的城市街道上模擬就困難得多了。

但即使是在模擬且簡化的環境裡，如西洋棋比賽，每一步都還是會引發一連串不同的機會與風險。因此，引導人工智慧在人造環境裡訓練自己，還不足以產生最佳表現，這訓練過程還需要回饋。

提供反饋和獎勵，可以讓人工智慧知道這個方法成功了。沒有人類可以有效勝任這個角色：人工智慧因為在數位處理器上運作，所以可以在數小時或數日之內就訓練自己幾百次、幾千次或幾十億次，人類提供的回饋相比之下根本不切實際。

軟體工程師將這種回饋功能自動化，謹慎精確地說明這些功能要如何操作，以及這些功能的本質是要模擬現實。理想情況下，模擬器會提供擬真的環境，回饋功能則會讓人工智慧做出有效的決定。

阿爾法元的模擬器就很簡單粗暴：對戰。阿爾法元為了評估自己的表現，運用獎勵功能，根據每一步創造的機會來評分。

增強式學習需要人類參與來創造人工智慧的訓練環境（儘管在訓練過程中不直接提供回饋）：人類要定義模擬情境和回饋功能，人工智慧會在這基礎上自我訓練。為產生有意義的結果，謹慎明確地定義模擬情境和回饋功能至關重要。

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。

14 世紀中葉，歐洲各地陸續爆發鼠疫。瘟疫在當時的歐洲並不稀罕，可是這回實在嚴重，大量人口慘遭消滅，後世稱之為「黑死病」。疫情主要發生在公元 1347 到 1352 年，有些學者估計令歐洲在短期內減少 30 到 50% 人口，或許高達 5000 萬人之多。

一項新上市的研究根據花粉分析，卻得到結論：黑死病對歐洲各地的影響差異不小，有些區域確實大受打擊，但是有些地區輕微得多。我們該怎麼解讀這些研究呢？

瘟疫殺死歐洲一半人！真的嗎？

黑死病的病原體是鼠疫桿菌（Yersinia pestis），可藉由老鼠和跳蚤輔助傳播。近年來由遺骸取得古代 DNA 的研究大行其道，令我們得知超過五千年前，便有人感染鼠疫桿菌。鼠疫桿菌能搭乘跳蚤便車，關鍵在於 ymt（Yersinia murine toxin）基因，晚於四千年前的鼠疫桿菌皆已經具備。

• 延伸閱讀：拉脫維亞5000年前，最古早的鼠疫桿菌，源自動物傳染？

歷史上三次大爆發：6世紀的查士丁尼瘟疫，14 世紀的黑死病，以及 19 世紀末的全球流行，人們面對的都是傳染力升級的細菌版本；除此之外，還有多次規模較小的流行。 遺傳變化有限的病原體，在不同時空的疫情差異很大。

歷次鼠疫桿菌導致的疫情中，黑死病的衝擊最大，有些研究甚至認為它消滅當時歐洲 50% 人口。這類死亡率的評估，主要來自歷史資料，如文書、稅務等紀錄；然而，這類資訊來源未必準確，有時文字會誇大不實，和實際數字有所差異。

還有一點侷限在，歷史資料主要紀錄人口聚居的城鎮，可是黑死病那個時候，歐洲超過 75% 人住在城市之外。人擠人的城市碰上鼠疫這類傳染病，通常受害較大，所以根據城市評估而得的結果，也許會高估瘟疫的危害。

另一方面，不同地區的受災程度很可能不同，就像正在進行的 COVID-19（武漢肺炎、新冠肺炎）疫情，遺傳上相同的病毒重擊秘魯，對澳洲的傷害卻相對有限。而黑死病也是如此，既有資料已經足以看出，相比於義大利深受打擊，波蘭更加輕微。幾處地區的狀況，不能擴大代表整個歐洲。

花粉大數據

要評估黑死病這類歷史大事件的影響，沒有一種理想辦法，一定要從不同方面尋找證據切入、互補，而環境變化可以作為切入點。突然爆發的疾病，導致大量人口死亡之後，也將造成經濟與社會的動盪，可想而知，自然環境也會受到牽連。

新發表的研究選擇以花粉作為指標，探討黑死病的影響，還創造一個看似 fancy 的新名詞描述：「大數據古生態學（big data palaeoecology，簡稱 BDP）」，反正大數據就是那樣。

概念是，受到黑死病負面影響愈嚴重的地區，人類活動會減少愈多，可以由花粉變化看出。具體樣本來自歐洲各地 261 處遺址，一共 1634 個沉積層樣本；年代介於公元 1250 到 1450 年，大致涵蓋黑死病發生之前到之後的各一百年，也就是前後約 4 代人。短時間內大量人口死亡，影響可能延續數代。

不同植物會生成不同花粉，有些花粉落到湖泊等環境，變成湖底的沉積物，有機會保存下來，成為歷史切片的見證。而人類活動影響環境，使得植物生態有別，便會留下不同的花粉組合。

例如農耕發達的地區，會留下大量農作物的花粉，畜牧業普及區則會是另一種風貌；若是人口減少令農牧活動降低，野生植物的花粉便會增加，不同階段又會生長不同野生植物。

地段，地段，地段！

新的分析思維看似很有道理，但是能相信嗎？研究者首先分析資訊最豐富的兩處地點：瑞典、波蘭。許多證據表示黑死病過去後，瑞典慘遭打擊，波蘭反而明顯成長；倘若花粉呈現的狀況一致，便說明這套分析是可靠的。結果花粉分析順利通過考驗。

花粉分析擴大到歐洲全境，最肯定的結論是：各地差異不小。黑死病前後，一些地區差異有限，有些甚至逆風高飛；農牧活動減少最多的地區位於斯堪地那維亞（北歐）、法國、德國西部、希臘、義大利中部。

有個假設是：瘟疫使人口減少以後，產業可能由勞力密集的農耕，轉向較不需要人力的畜牧。但是這回研究指出，所有農耕下降的地區， 畜牧也跟著減少；唯一例外是德國西南部，畜牧反而增長。

考察文獻得知，義大利、法國深受黑死病危害，這也反映在當地的花粉中，證實歷史紀錄的準確。農業開墾往往是森林的敵人，黑死病過後，義大利的森林甚至重新蓬勃復育；慘烈至此，難怪有薄伽丘《十日談》的誕生。

然而不少地區的農牧活動，黑死病前後的差異有限，或是顯著成長，像是伊比利、愛爾蘭，以及中歐、東歐多數地點。這些分析指出黑死病對歐洲各地的影響有別，整體死亡率大概沒有 50% 那麼誇張。

其實還是不清楚黑死病的死亡率

該如何看待上述論點呢？花粉分析有優點，也有缺點。一如文字、稅務等切入方向，花粉也有自己方法學上的侷限。它能告訴我們歐洲各地的死亡率不均值，卻無法真正評估死亡率高低。

根據花粉組成在不同年代的相對變化，可以推論當地農牧活動的改變，卻不直接等同於人口的死亡程度。

一個地區在黑死病後一段時間，農牧活動明顯增長，不見得意謂瘟疫時沒有死很多人，也可能是恢復速度很快，或是還有黑死病以外的其他因素。

也要注意這兒的評估是相對的，某地相對的受災比較輕微，不等於災情不嚴重。一個地區在幾十年的時段內，如果損失 30% 人口當然是大災難，但是就算死亡「只有」5%，也不可能馬照跑，舞照跳。

評估大瘟疫更廣泛的社會影響

儘管無法準確判斷死亡率，花粉能評估傳染病對社會更廣泛的影響。黑死病這類大瘟疫，不是只有鼠疫桿菌殺死多少人而已，還會牽連更廣泛的社會運作，累積間接傷害。

• 延伸閱讀：歷史大瘟疫：黑死病重塑社會貧富

即使是一個較小的地理範圍，受災程度也可能有內部差異，如城鎮中心及其周圍的郊區、鄉村。沉積物中的花粉，是一個地區一段時間內的集合紀錄，似乎較能避免城鄉差距的影響。

有學者認為，黑死病過後一個地區之所以沒有衰退，也可能是外地人口填補所致，故質疑新研究的論點。就算真是如此，新遷入的人口也是來自歐洲其他地方，同樣支持新論點的大方向：歐洲各地受災程度有異，並非每處一樣嚴重。何況過往公認疫情嚴重的地區，新分析中也看得出來。

有趣的是，一項 2019 年發表的研究在檢視多重證據後，也認為查士丁尼瘟疫的災情言過其實，不如過往認知的那麼嚴重。提醒各位千萬不能忽略「沒有那麼嚴重，跟不嚴重是兩回事」。

花粉無法回答的問題是：黑死病為什麼在各地影響有別？有人推測是鼠疫桿菌的品系不同，在西歐的殺傷力較強，東歐較弱。但是此一論點缺乏遺傳學、病理學的證據。

2019 年底至今的全球瘟疫清楚告訴我們，遺傳上一模一樣的品系，在不同國家的傳播與傷害天差地別，涉及許多複雜的因素。黑死病比當下冠狀病毒造成的疫情嚴重很多，基本道理大概還是一樣的。

延伸閱讀

• 拉脫維亞5000年前，最古早的鼠疫桿菌，源自動物傳染？
• 鼠疫桿菌：伴隨人類5000年的死神 
• 鼠疫桿菌至少 3800 年前，成為跳蚤騎士
• 短篇  查士丁尼瘟疫的災情，或許言過其實？
• 短篇  地中海地區最早，威尼斯的隔離防疫系統
• 短篇  英格蘭鄉村Thornton Abbey，黑死病留下的大墓
• 中世紀黑死病，之後數百年的餘波
• 18世紀初的鼠疫桿菌，大北方戰爭到馬賽大瘟疫
• 黑死病、西班牙流感到 COVID-19，瘟疫如何重塑社會貧富？
• 死亡率，不是「死亡人數／感染人數」這麼簡單
• 透過花粉考古認識古代氣候！——宜蘭 2 千年前的豪雨，竟和聖嬰現象有關？
• 用花粉探案的英國斜槓阿嬤──讀《每具屍體都會留下痕跡》

參考資料

1. Susat, J., Lübke, H., Immel, A., Brinker, U., Macāne, A., Meadows, J., … & Krause-Kyora, B. (2021). A 5,000-year-old hunter-gatherer already plagued by Yersinia pestis. Cell Reports, 35(13), 109278.
2. Spyrou, M. A., Tukhbatova, R. I., Wang, C. C., Valtueña, A. A., Lankapalli, A. K., Kondrashin, V. V., … & Krause, J. (2018). Analysis of 3800-year-old Yersinia pestis genomes suggests Bronze Age origin for bubonic plague. Nature Communications, 9(1), 1-10.
3. Izdebski, A., Guzowski, P., Poniat, R., Masci, L., Palli, J., Vignola, C., … & Masi, A. (2022). Palaeoecological data indicates land-use changes across Europe linked to spatial heterogeneity in mortality during the Black Death pandemic. Nature Ecology & Evolution, 1-10.
4. Black death mortality not as widespread as believed
5. Did the ‘Black Death’ Really Kill Half of Europe? New Research Says No
6. Mordechai, L., Eisenberg, M., Newfield, T. P., Izdebski, A., Kay, J. E., & Poinar, H. (2019). The Justinianic Plague: an inconsequential pandemic?. Proceedings of the National Academy of Sciences, 116(51), 25546-25554.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。