◎ 溫在弘
疫情走向的科學預測通常需要掌握兩個部分，第一部分是從微觀尺度去探究人類宿主體內與病原體交互作用的過程，主要理解病原體如何導致人體致病的機制；第二部分是巨觀尺度，著重於人群之間的交互作用（例如：接觸、飛沫或血液等不同途徑），如何造成病原體在人際之間的傳播過程。
換言之，如果要準確預測疫情走向，需對於微觀和巨觀尺度的過程，同時具有完整的理解。由於巨觀尺度涉及人類群體行為與社會規範等，較難合理預測，這可說明為什麼疫情預測無法像氣象預報或洪水預警等，能夠有較精準的預測能力。
另一方面，有研究人員從社群網路聲量、醫院就診症狀或交通流量等變化的幅度，利用這些資訊的異常趨勢，來推估疫情可能的流行風險。經典例子是二○○八年的「谷歌流感趨勢預測（Google Flu Trends）」，利用谷歌關鍵字來預測流感疫情走向。
由於這些方法大多基於統計模式，需要較多的歷史數據與經驗測試才能找出重要的預測參數。然而，我們當前面對的新興傳染病（emerging infectious disease）威脅挑戰，例如：二○○三年的ＳＡＲＳ、二○一五年的ＭＥＲＳ與當前流行的肺炎疫情等，通常沒有累積足夠多的大規模事件與資料，因此缺乏穩定的預測模式與參數，故通常在疫情爆發時，無法即時提供有效的預測。
近年新興的人工智慧技術也需要仰賴大量的數據，才能找出重要的特徵來進行預測。因此，智慧科技在醫學影像辨識、人臉辨識、聊天機器人等領域已蓬勃發展，這些領域大多累積足夠的資料，透過機器快速運算的特性，得以建立有效的預測模式。
相較之下，疫情的爆發與流行走向，尚有太多仍是科學上待解的問題。例如，政治上的疫情隱匿對於確診病例數的可信度、如何改變個人衛生行為的方法、如何避免非理性恐慌的物資囤積與採購等，這些問題往往連人類都尚未有具體答案，我們如何來「教導」電腦進行學習與規則擷取？又怎麼知道這次建立的機器學習模式與參數，在下一次的新興疫情流行中依然是重要的預測因子？
對於未來的想像是人類與生俱來的好奇，自古以來發展出星象、占卜或科學模式等不同觀點來窺探未來。然而，對於疫情走向的科學預測，我們必須更謙虛的理解，疫情傳播的複雜性尚存許多科學知識的未知與資料取得的限制，因此應以較保守的態度來看待各種科學模式預測的結果，了解預測結果可能誤差的範圍，避免過度的詮釋與解讀，在每次的歷史教訓中逐漸累積經驗。
（作者為台灣大學地理環境資源學系教授兼系主任、衛福部暨台大傳染病防治研究及教育中心合聘研究員）
編輯精選
自由評論網粉絲團