儿童免疫接种长期以来一直被认为是最具成本效益的公共卫生干预措施之一，显著降低了全球范围内由疫苗可预防疾病的死亡率和发病率。然而，在撒哈拉以南非洲地区，常规免疫接种覆盖率仍存在较大差距，许多儿童要么完全没有接种疫苗（零剂量），要么接种不足，错过了推荐疫苗的一个或多个剂量。根据世界卫生组织（WHO）的数据，该地区仍有大量儿童未能接种基本疫苗，这削弱了实现普遍免疫覆盖的努力，并加剧了健康结果的持续不平等[1]。因此，结合流行病学数据和先进分析方法的综合策略对于在这些背景下制定有针对性的外展活动和政策行动至关重要[2]。
近年来，人工智能（AI）和机器学习（ML）的进步为提高卫生系统性能提供了新的机会，包括免疫接种规划、监测和服务提供。AI和ML方法涵盖了各种监督和非监督算法，越来越多地应用于公共卫生领域，以识别复杂多维数据集中的模式，从而支持决策制定。ML包括检测复杂数据集中模式以生成预测的计算方法。常见的监督算法包括随机森林（RF），它通过聚合多棵决策树来提高准确性；支持向量机（SVM），用于识别多维数据中的最佳分隔边界；k-最近邻（k-NN），根据与附近数据的相似性对观测值进行分类；极端梯度提升（XGBoost），通过序列错误校正逐步改进预测；以及朴素贝叶斯，这是一种基于贝叶斯定理的概率分类器，假设预测变量之间相互独立。这些方法越来越多地用于分析免疫接种数据集并预测零剂量风险。在传染病和疫苗研究中，ML已被用于预测疾病暴发、优化供应链和模拟疫苗效力，展示了其在大规模加强免疫系统方面的潜力[3]。
尽管技术取得了这些进步，但专门针对撒哈拉以南非洲地区未接种和接种不足儿童的ML应用仍处于发展阶段。传统的免疫接种监测系统通常依赖于定期调查或行政记录，这些方法缺乏识别最易错过疫苗接种的儿童的详细信息。ML方法可以通过识别高风险群体和覆盖率低的地理区域来补充这些系统，而这些区域可能被传统分析忽略。此外，ML能够整合社会人口统计、地理和卫生服务变量，使其成为解决资源匮乏地区免疫接种不平等多因素问题的有力工具[4]。
除了机器学习之外，地理空间映射技术在识别未接种和接种不足人群方面也取得了进展。这些方法结合卫星图像、行政边界和调查数据，生成详细的疫苗接种覆盖率地图，从而可视化地理上的不平等现象并识别服务不足的社区[5]。地理空间方法可以通过指导外展活动、规划移动接种点以及向未接种儿童集中的地区分配资源来增强常规免疫接种计划。
同时，结合数据驱动的洞察力和地方背景知识的微观规划方法越来越被认为对于接触未接种和接种不足的儿童至关重要。这些方法利用社区层面的数据、卫生工作者的见解和人口估计来优化疫苗接种活动，根据当地条件定制干预措施，并提高服务提供效率[6]。证据表明，当微观规划与ML预测或地理空间分析相结合时，可以显著提高对难以到达人群的覆盖率和接种率[7]。
然而，将ML、地理空间映射和微观规划整合到常规免疫接种计划中引发了关于数据可用性、算法可解释性以及预测模型针对特定背景的适应性等重要问题。撒哈拉以南非洲多样化的卫生信息环境，以及数字数据系统和常规报告能力的差异，为ML的应用带来了机会和挑战。因此，了解该领域ML应用的当前证据状况对于希望利用这些方法改善免疫公平性和覆盖率的研究人员、政策制定者和项目实施者至关重要。本叙事性综述综合了现有文献，内容涉及：（i）使用机器学习算法识别未接种和接种不足儿童；（ii）利用地理空间映射技术定位和描述这些人群；（iii）结合数据驱动的洞察力和地方背景的微观规划方法。具体而言，它评估了这些方法的有效性，分析了其局限性和面临的挑战，并讨论了在常规卫生信息和免疫系统中扩大应用的潜力。
