情境：星期一早晨的病房裡，一位 78 歲的中風爺爺在喝水時突然劇烈咳嗽，水從嘴角溢出。照顧他的護理師心裡閃過一個念頭：這只是偶爾的嗆咳，還是潛在的吞嚥障礙（Dysphagia）徵兆？應該請語言治療師來做進一步評估嗎？
這個場景正是臨床工作者每天面臨的「不確定性（Uncertainty）」。一次咳嗽究竟代表什麼？在沒有更多數據的情況下，沒有人能給出百分之百確定的答案。而統計學，正是幫助我們在這片「臨床迷霧」中找到方向的工具。
核心概念
十八世紀的英國數學家湯瑪斯．貝氏（Thomas Bayes, 1702–1761）首先嘗試以數學方式量化不確定性。他提出的概念啟發了後來的「貝氏定理（Bayesian Theorem）」，核心精神是：根據已知的事件發生機率，來推估我們尚未確知的條件機率。統計學因此被定義為一門處理「不確定性」與「變異（Variation）」的科學。
不確定性與隨機
生活中充滿了無法預測的事件，例如自然災害的發生時機、疾病的罹患與否、治療的反應好壞。統計學將這些不確定性理解為「隨機（Random）」現象，意即各種可能的結果是依循某種機率而發生的。雖然我們無法精確預測單一個體的結果，但當觀察夠多人時，就能發現群體層次上穩定的規律。這就是統計學最迷人的地方：在無序中發現規律。
回到吞嚥障礙的臨床現場
假設護理師只觀察到這位爺爺「一次」喝水嗆咳，這就像只擲了「一次」銅板，無法斷定結果代表什麼。但如果系統性地觀察一百位類似狀況的中風長者，記錄他們喝水時的嗆咳頻率指在特定觀察期間內，患者發生嗆咳（食物或液體誤入氣道引起的咳嗽反射）的次數。常作為評估吞嚥障礙嚴重程度的量化指標。、嗆咳的嚴重程度依據嗆咳時的表現進行分級，常見指標包括咳嗽持續時間、是否伴隨呼吸困難或發紺，以及是否需要外部介入（如抽吸）。臨床上常以量表（如 PAS 滲漏-吸入量表）評定等級。，再搭配儀器評估結果指透過專業儀器客觀測量吞嚥功能所得到的數據，常用的檢查包括吞嚥螢光攝影（VFSS）與纖維內視鏡吞嚥檢查（FEES），可直接觀察食團通過咽喉的動態過程。，就能開始看見「中風患者吞嚥障礙的機率有多高」這個規律。統計學就是把這種「從個別觀察到群體規律」的推理過程，加以嚴謹化的學問。
統計學的兩大分支
現代統計學包含兩個主要面向：
- 描述性統計（Descriptive Statistics）：將收集到的資料加以整理、歸納、製表與繪圖。例如計算一組長者的平均舌壓值使用舌壓測量儀（如 IOPI，Iowa Oral Performance Instrument，愛荷華口腔功能測量儀）測得的舌頭向上顎施加壓力的平均值，單位為 kPa。舌壓是評估口腔期吞嚥功能的重要指標，數值偏低可能代表舌肌力量不足，與吞嚥困難有關。、繪製吞嚥障礙嚴重度的分布圖。
- 推論性統計（Inferential Statistics）：由樣本資料推估母體的未知特徵，又可分為「估計利用樣本的統計量（如樣本平均數）來推估母體參數（如母體平均數）的過程，包括點估計與區間估計。例如由 100 位長者的資料估計全台長者的平均舌壓值。（Estimation）」與「假說檢定先對母體參數提出假設（如「新療法無效」），再依據樣本資料計算統計量，判斷該假設是否應被拒絕。常見的輸出為 p 值，用以衡量觀察結果在假設為真時出現的機率。（Hypothesis Testing）」。例如根據 100 位受試者的數據，推估全台灣長者的吞嚥障礙盛行率。