流行病學作為公共衛生的基礎科學，其方法學框架在 20 世紀歷經數次典範轉移：從 19 世紀 John Snow 的「瘴氣 vs 水源傳播」之爭，到 20 世紀中葉 Doll & Hill（1950）確立吸菸與肺癌的因果關係，再到當代的分子流行病學和因果推論革命。
研究設計的方法學進階
病例對照研究的現代變體：
- 巢式病例對照研究（nested case-control）：在已有世代研究中抽取病例和對照，結合了世代研究的時序優勢和病例對照的效率。
- 病例世代研究（case-cohort design）：Prentice（1986）提出的設計，從世代中隨機抽取子世代作為對照，可同時研究多個疾病終點。
- 自身對照研究（self-controlled case series, SCCS）：Farrington（1995）開發的設計，每個個體作為自己的對照，消除個體間的混雜因素，特別適合疫苗安全性研究。
因果推論的現代框架：
Bradford Hill 準則（1965）長期作為因果判斷的指導原則，但缺乏嚴格的數學基礎。Judea Pearl 的結構因果模型（Structural Causal Model, SCM）和有向無環圖（DAG, Directed Acyclic Graph）為因果推論提供了形式化框架（Pearl, Causality, 2009）。DAG 的核心應用包括：
- 識別混雜因子（confounder）：後門準則（backdoor criterion）
- 避免碰撞偏差（collider bias）：條件化碰撞變量會打開偽相關路徑
- 中介分析（mediation analysis）：前門準則（front-door criterion）
Hernán & Robins（Causal Inference: What If, 2020）系統整合了反事實框架和觀察性數據的因果推論方法，包括 inverse probability weighting（IPW）、g-estimation 和 targeted maximum likelihood estimation（TMLE）。
傳染病動態的數學建模
經典 SIR 模型（Kermack & McKendrick, 1927）以微分方程描述：
- dS/dt = -βSI/N
- dI/dt = βSI/N - γI
- dR/dt = γI
R₀ = β/γ，群體免疫閾值 = 1 - 1/R₀。
現代擴展包括：SEIR 模型（加入潛伏期 Exposed）、考慮空間異質性的 metapopulation 模型、個體為基礎的模型（agent-based model, ABM）、以及整合人口流動大數據的即時預測模型。Lipsitch et al.（2003, Science）在 SARS 疫情中率先使用即時 R_t 估算指導公衛決策；Cori et al.（2013, American Journal of Epidemiology）開發的 EpiEstim 方法成為 COVID-19 疫情中 R_t 估算的標準工具。
分子流行病學與基因組流行病學
全基因組定序（WGS）整合流行病學調查，實現高解析度的傳播鏈重建。Gardy et al.（2011, NEJM）的結核病研究首次展示 WGS 如何修正傳統接觸者追蹤的誤判。COVID-19 疫情中，GISAID 和 Nextstrain 平台的基因組監測資料即時追蹤變異株演化和跨國傳播。
基因組關聯研究（GWAS）與流行病學的整合產生了「孟德爾隨機化」（Mendelian Randomization, MR）——利用遺傳變異作為暴露的工具變量（instrumental variable），在觀察性數據中進行因果推論。Davey Smith & Hemani（2014, Human Molecular Genetics）系統闡述了 MR 的假設、方法和限制。
偏差與效度的系統性分析
Rothman, Greenland & Lash（Modern Epidemiology, 4th ed., 2021）定義了三大偏差類型：
- 選擇偏差（selection bias）：研究對象的選取與暴露-疾病關聯相關。存活者偏差（survivorship bias）和 Berkson's bias 是經典案例。
- 資訊偏差（information bias）：暴露或疾病的測量誤差。非差異性錯分（nondifferential misclassification）傾向稀釋效應（bias toward null），差異性錯分方向不定。
- 混雜偏差（confounding）：第三變量同時與暴露和結果相關。控制方法包括限制、配對、分層、多變量回歸和傾向分數法（propensity score methods, Rosenbaum & Rubin, 1983）。
VanderWeele（2019, Annals of Internal Medicine）提出的 E-value 為評估未測量混雜因子的影響提供了統一的敏感度分析指標。