《學習》從懷孕用藥到人生決策：掌握「期望值」，做出更明智的選擇。

懷孕期間用藥常陷兩難，這種困難的抉擇，也經常出現在投資、職涯等人生決策。學習運用期望值思維，不僅有助於評估孕期用藥，更能延伸到日常生活，做出理性選擇。

懷孕用藥風險分級系統

懷孕用藥風險分級系統，旨在根據藥物對胎兒可能造成的潛在風險程度進行分類。其核心目的在於為醫療專業人員和患者，提供標準化的參考框架 。

美國食品藥物管理局（FDA）於 1979 年建立的 A/B/C/D/X 五級分類系統，是國際上應用最廣泛、影響最深遠的懷孕用藥風險分級框架。台灣衛生主管機關及臨床實務界也長期參照此系統 。

該系統主要依據現有的臨床研究（人類數據）和動物實驗數據，以及藥品上市後的不良反應報告，來評估藥物對胎兒的潛在風險等級 。

⬧ A 級 (Category A)：在針對懷孕婦女進行的、設計良好且有對照組的研究中，未能證明藥物在懷孕第一期（以及後期）會增加胎兒異常的風險。

此類藥物被認為對胎兒傷害的可能性極微，是相對最安全的分級。 證據基礎：充分且對照良好的人類研究。

⬧ B 級 (Category B)：動物生殖研究未能證明對胎兒有風險，但缺乏針對懷孕婦女的充分且對照良好的研究；或者，動物研究顯示有不良反應（非生育力下降），但在針對懷孕婦女的對照研究中未能證實對胎兒（包括第一期及以後）存在風險 。

此類藥物通常被視為「可能安全」或「大致安全」。 證據基礎：主要依賴動物數據，缺乏決定性的人類數據。

⬧ C 級 (Category C)：動物生殖研究顯示對胎兒有不良反應（致畸、胚胎致死或其他），但缺乏針對人類的充分且對照良好的研究；或者，缺乏動物實驗數據，也缺乏針對人類的研究。

此類藥物僅在潛在益處大於對胎兒潛在風險時才應使用 。此級別代表了顯著的不確定性 。 證據基礎：存在動物風險證據，或無任何可用數據。

⬧ D 級 (Category D)：有來自調查研究、上市後經驗或人體研究的陽性證據顯示藥物對人類胎兒存在風險。然而，在某些情況下（例如，危及生命的狀況，或用於治療嚴重疾病而其他更安全的藥物無法使用或無效時），使用該藥物的潛在益處可能大於潛在風險，仍可接受使用 。

使用此類藥物需要非常謹慎地權衡利弊 。 證據基礎：已證實的人類胎兒風險證據。

⬧ X 級 (Category X)：在動物或人體研究中已證實會導致胎兒異常，和/或基於不良反應數據有陽性的人類胎兒風險證據，且使用該藥物對懷孕婦女的風險明顯超過任何可能的益處。

此類藥物禁忌用於已懷孕或可能懷孕的婦女 。 證據基礎：證實的人類/動物致畸性或危害；風險明確大於益處。

表 1：傳統 FDA 懷孕用藥風險分級 (A/B/C/D/X) 概要

分級 定義概要 主要證據基礎 一般意涵
A 人類對照研究未顯示風險 充分的人類數據 安全
B 動物研究無風險，但人類數據不足；或動物有風險，但人類研究未證實風險 主要為動物數據 可能安全/大致安全
C 動物研究顯示風險，但無人類數據；或人類與動物研究均缺乏 動物風險數據/無數據 潛在風險，僅在效益大於風險時使用
D 有人類胎兒風險的證據，但在特定情況下（如生命威脅），效益可能大於風險 已證實的人類風險 避免使用，除非必要且效益明確大於風險
X 人類或動物研究證實致畸或危害，風險明確超過任何可能的益處 證實的致畸性/危害 懷孕期間禁用

FDA 的懷孕和哺乳期標示規定

雖然 A/B/C/D/X 系統使用了數十年，但它的缺點也受到關注和批評。為了克服 A/B/C/D/X 系統的缺陷，美國 FDA 於 2015 年實施了「懷孕和哺乳期標示規定」（Pregnancy and Lactation Labeling Rule, PLLR）。

其核心目標是提供更清晰、更全面、更具體情境化的藥物風險與效益訊息，來輔助醫療專業人員進行風險評估。

PLLR 取消了 A/B/C/D/X 字母分類 ，取而代之的是，在藥品仿單（標籤）特定章節（第 8 節：特殊人群用藥）中採用標準化的敘述性格式 。主要包含三個子部分：

⬧8.1 懷孕 (Pregnancy)（包含分娩與生產）：

• 風險摘要 (Risk Summary)：綜合現有的人類數據、動物數據和藥理學信息，描述藥物相關的發育性不良結局風險（如結構異常、胚胎-胎兒/嬰兒死亡率、功能損害、生長改變）。如果藥物不被全身吸收，則需說明此事實 。

• 臨床考量 (Clinical Considerations)：提供與臨床決策相關的信息，如與疾病相關的母體/胚胎/胎兒風險（即未治療疾病的風險）、懷孕期間和產後的劑量調整、母體不良反應、胎兒/新生兒不良反應、對分娩或生產的影響 。

• 數據 (Data)：提供支持風險摘要和臨床考量部分的詳細數據來源和內容 。 懷孕暴露登記 (Pregnancy Exposure Registry)：如果存在針對該藥物的懷孕暴露登記研究（用於收集孕期用藥實際數據），需提供相關信息和聯繫方式 。

⬧8.2 哺乳 (Lactation)（取代原「哺乳母親」部分）：

• 風險摘要 (Risk Summary)：描述藥物是否存在於人乳中、對母乳餵養嬰兒的潛在影響、對乳汁分泌的影響 。

• 臨床考量 (Clinical Considerations)：提供哺乳期用藥的臨床建議。

• 數據 (Data)：支持上述信息的數據。

⬧ 8.3 具有生殖潛力的女性和男性 (Females and Males of Reproductive Potential)（新增部分）：

• 在必要時提供關於妊娠測試需求、避孕建議、以及藥物相關不孕症的信息 。

表 2：FDA 傳統分級 (A/B/C/D/X) 與 PLLR 系統比較

特徵 A/B/C/D/X 系統 PLLR 系統
風險溝通格式 單一字母分類 (A, B, C, D, X) 敘述性摘要 (Narrative Summary)
資料詳細程度 非常簡化 更詳細，包含風險性質、背景資料
資料基礎 混合人類/動物數據，分級定義相對固定 強調區分人類、動物、藥理數據，包含未治療疾病風險
懷孕資料 主要關注致畸風險 包括發育性不良結果（結構、死亡率、功能、生長）、劑量調整、母體/胎兒反應、分娩影響、暴露登記
哺乳資料 有限的「哺乳母親」資料 詳細的「哺乳」部分，含藥物入乳量、對嬰兒影響、對泌乳影響
生殖潛力資料 無標準化部分 新增「具生殖潛力的女性和男性」部分，涵蓋妊娠測試、避孕、不孕症
資料更新要求 主要在發現危害時更新，缺乏升級動力 強制要求在有新資料時進行更新
核心目標 提供快速風險級別參考 提供詳細資料，以支持個人化的風險效益評估和醫病溝通

化繁為簡?

先坦白問自己一個問題。

懷孕用藥 A/B/C/D/X 五級分類系統、跟懷孕和哺乳期標示規定 (PLLR)，你習慣使用哪一個？

站在專業醫療角度，懷孕和哺乳期標示規定 (PLLR) 無疑能提供更詳細的資訊；但是，對於大多數人來說，A/B/C/D/X 五級分類系統比較簡單直觀，即便它充滿了缺陷……

就因為人腦無法同時處理太多太複雜的資訊，所以，面對高壓、複雜、困難的重要決策、就顯而易見地，可以篩選出一個人的決策能力等級。

但一個人的腦力還是有極限，不可能在所有領域都全能全知，甚至每一次決策品質都是完美…… 如果有人這樣號稱的話，他(她)如果不是騙子、就是傻子、或者兩種都是。

所以，在某些領域的決策，我們還是傾向 「化繁為簡」(好聽一點的說法)，甚至乾脆讓別人來替我們做決定，幫我們打理一切，我們只要坐享其成，這樣最好！

不過，我們還要很小心，所謂的「化繁為簡」，還是有可能會帶來更多問題，最後整個走鐘一團亂。

期望值：幫你「預見」未來的平均結果

期望值的大小，比成功率的大小更重要！

既然決策這麼複雜困難，那有沒有一個最重要、最基本、最不能妥協的底線，作為決策的最重要審核關卡？答案是有的，我們要堅持做「正期望值」的事情！

什麼叫做「期望值」（Expected Value）？

它其實就像是幫我們預測一下，如果一件隨機的事情（像是丟骰子或玩遊戲）重複做很多很多次，平均下來大概會得到什麼結果 。

想像一下，期望值不是水晶球，它沒辦法告訴你「下一次」丟骰子會出現幾點。它的厲害之處在於預測「長期」的平均狀況。這就像是玩一個遊戲一百次、一千次之後，你平均每次大概會贏多少或輸多少 。

那「期望值」要怎麼算呢？很簡單，就是加權平均。我們把每種可能發生的結果，乘上它發生的「機率」（也就是機會大小），然後全部加起來。公式大概長這樣：

期望值 = Σ (結果的數值 × 發生的機率)。

舉個例子，丟一個公正的六面骰子，點數 1 到 6 出現的機率都是 1/6。

期望值就是： (1× 1/6 ) + (2× 1/6​) + (3× 1/6​) + (4×1/6) + (5×1/6) + (6×1/6) = 3.5

奇怪，骰子又丟不出 3.5 點！沒錯，這說明期望值是很多次結果的「平均預期」，不代表任何一次會發生的結果。像是賭場裡的遊戲，通常設計成玩家的期望值是負的，這樣長期下來，賭場就能穩定獲利 。

投資的時候，大家會想找期望值是正的投資標的，希望長期能賺錢。甚至買保險，雖然保費通常比期望理賠金額高（期望值是負的），但我們願意花錢買個保障，避免發生無法承受的巨大損失 。

所以，最重要的要記得：期望值看的是「長期平均」，不是「單次結果」！ 當你重複做一件事很多次，根據「大數法則」，實際結果的平均值，就會越來越靠近期望值。懂了期望值，就能幫助我們在充滿不確定的世界裡，做出更聰明的判斷。

這樣看來，懷孕用藥分級 A/B/C/D/X 五級分類系統，就類似期望值的概念。例如：將 A 級視為正期望值，表示用藥的好處大於風險；而將 D 級或 X 級視為負期望值，表示風險遠大於好處。

自己的人生、自己做選擇、自己要負責。

那麼，如果我們還是搞不清楚這款藥物、營養補充品、保健食品的期望值時，該怎麼辦？

思考一下，懷孕要不要吃飯？要不要補充蛋白質？要不要喝水？要不要運動？要不要睡覺？答案顯而易見，根本不用問醫師，甚至不用問任何人，就是「要」！

所以，如果是「不了解、不知道、算不出來期望值」，或者，自己對於一絲絲風險都完全無法接受的話，建議就選擇「不要」。

高成功率但負期望值

現實生活中，我們要特別警惕「高成功率但負期望值」的誘惑！

因為成功率高，所以非常誘人，但是實際上期望值極低，甚至是負的，一旦失敗，就會身敗名裂，或是死無葬身之地……

舉例來說，無保護自由攀岩（Free Solo Climbing）這項活動，對頂尖高手來說，單次成功率很高，但整體來看期望值卻是負的。

想像一下，像亞歷克斯·霍諾德（Alex Honnold）那樣的攀岩大神，不帶任何繩索或安全裝備去爬幾百甚至上千公尺高的懸崖峭壁。

對他們這種等級的專家來說，每一次攀登前都做了極度充分的準備：經年累月的訓練、把路線的每個手點腳點都背得滾瓜爛熟、等待最佳的天氣狀況等。

所以，對他們而言，在一次特定且準備周全的攀登中，成功機率確實非常高 。

但是，「期望值」看的不是單次的成功率，而是把所有可能結果（成功或失敗）跟它們發生的機率，一起加權平均算出來的「長期平均結果」。

在自由攀岩裡，成功的結果，是獲得巨大的成就感或名聲，這當然很棒。然而，失敗的結果是什麼？是墜落，等同死亡。這個後果太嚴重了，嚴重到我們可以說它的「負面價值」趨近於無限大。

所以，即使失敗的機率非常非常小（但永遠不可能為零），當這個極小的機率乘上極度可怕的後果（死亡）時，它在期望值的計算中所佔的「負面權重」就變得無比巨大，足以壓倒那高成功率所帶來的有限正面價值 。

因此，儘管單次攀登很可能成功，但從整體期望值來看，自由攀岩這項活動的數學期望是負數。

簡單來說，即使高手每次都覺得自己準備好了、成功率很高，但只要存在一點點失敗的可能，從長期平均來看，其毀滅性的後果就讓這件事變成一個「不划算」的賭注。

總結

需要權衡利弊的情況，不限於懷孕用藥評估，從投資理財到職業規劃，人生充滿了無數個需要評估收益與風險的決策場景。

在腦海中植入「期望值」概念，可以協助我們駕馭不確定性，幫助我們在人生道路的各種十字路口，做出更明智、更理性、更符合長遠利益的選擇。