综述：现代预测疫苗犹豫的方法：范围综述

这篇综述系统梳理了疫苗接种指数（VUIs）的研究进展，聚焦COVID-19疫情期间的模型构建方法，提出整合个体与群体数据、时空分析及社会行为理论（如健康信念模型HBM）是下一代VUIs的关键方向，为优化疫苗资源分配提供循证策略。

引言

疫苗犹豫现象在全球范围内持续影响传染病防控，尤其COVID-19大流行凸显了预测疫苗接种率的紧迫性。疫苗接种指数（VUIs）作为量化模型，通过地理空间分析预测特定区域的接种率，成为解决接种差异的新工具。然而，现有研究多依赖行政数据，缺乏对个体行为因素和历史疫苗数据的整合。

方法

采用Arksey和O’Malley的范围综述框架，检索Embase、PubMed和Web of Science数据库，筛选229项研究。分析聚焦四大特征：个体与群体水平预测变量（44%）、地理时空分析（25%）、疫苗非特异性数据（22%）及社会行为理论（如HBM和计划行为理论，13%）。

结果

研究发现仅7%（15项）研究符合方法学先进标准（满足至少三项特征）。62%的VUIs采用地理空间分析，但仅24%实现时空动态建模。社会行为框架应用不足（15%），且健康信念模型（HBM）占主导（53%）。值得注意的是，脆弱性指数（如CDC的SVI）常被“借用”预测接种率，但其设计初衷与疫苗覆盖无关。

讨论

方法学差异：

• 群体A研究（占比89%）依赖横断面调查，通过逻辑回归分析个体态度变量，但模型复杂度受限；
• 群体B研究（11%）采用机器学习（如随机森林）处理行政数据，虽捕捉非线性关系却忽视个体行为机制。

关键挑战：

1. 数据整合：个体级接种行为数据与行政记录的协同利用不足；
2. 时空粒度：小区域时空分析技术尚未突破；
3. 理论框架：仅13%研究应用社会行为理论（如HBM）辅助因果推断。

新兴方向：

• 社交媒体数据（如Twitter情感分析）为预测提供新维度；
• 多病原体疫苗数据（如流感与HPV）可增强模型泛化能力。

结论

下一代VUIs需突破四大瓶颈：跨层级数据融合、高精度时空建模、疫苗非特异性方法开发，以及理论驱动的变量选择。未来研究若整合这些要素，将显著提升疫苗资源分配的公平性与效率，为应对新发传染病提供科学工具。