我们对疫苗政策如何影响健康公平性是否有共同的理解？评估免疫实践咨询委员会公平性评估的差异
Do We Have a Common Understanding of How Vaccine Policy Affects Health Equity? Evaluating Variability in the Advisory Committee on Immunization Practices' Equity Assessment
1. 领域背景与文献
发表期刊：文献未明确提供；影响因子：文献未明确提供；研究领域：公共卫生与疫苗政策（健康公平方向）
公共卫生领域中，疫苗政策的健康公平性是保障全民健康的核心议题，2020年新型冠状病毒（COVID-19）疫情凸显了弱势群体在疾病负担和疫苗可及性上的差异，推动美国免疫实践咨询委员会（ACIP）在其证据推荐（EtR）框架中新增第七个“公平性”评估域，旨在将健康公平纳入疫苗政策决策的核心环节。此前，EtR框架已包含公共卫生问题、获益与风险、价值观、可接受性、可行性、资源使用六个域，为疫苗推荐提供系统的证据评估体系，其中可行性域已形成标准化的checklist指导评估，有助于提升工作组判断的一致性。当前领域的核心未解决问题在于，公平性域作为新增模块，ACIP各工作组对其评估标准的理解是否存在差异，这种差异是否会影响疫苗政策的公平性落地，而现有研究尚未针对ACIP内部的公平性评估共识程度开展量化分析。
本研究的初衷正是填补这一研究空白，通过回顾性分析2020年10月至2023年10月ACIP工作组的EtR报告，量化公平性域判断的变异性，并与其他域进行对比，同时分析疾病靶点、年龄组、推荐类型等因素对变异性的影响，为优化ACIP的健康公平评估框架、提升疫苗政策的公平性提供数据支持和改进方向。
2. 文献综述解析
本文献综述部分围绕ACIP EtR框架的发展历程，特别是公平性域的引入背景，梳理了现有疫苗政策公平性评估的现状与不足，核心评述逻辑以EtR框架的域演进为时间线，结合COVID-19疫情的推动作用，指出公平性评估缺乏标准化共识的问题。
现有研究显示，EtR框架的六个传统域已在ACIP的疫苗推荐中应用多年，形成了相对成熟的评估流程，其中可行性域的标准化checklist有助于减少工作组判断的差异，提升决策一致性。然而，2020年新增的公平性域尚处于发展阶段，现有研究仅关注了疫苗政策对健康公平的外部影响，未深入探讨ACIP内部工作组在公平性评估上的共识程度，且缺乏量化的变异性分析方法。此外，现有健康公平的定义多聚焦于结果层面，未充分涵盖概念和个体体验维度，导致工作组在评估时缺乏统一的标准，可能出现判断差异；同时，公平性评估的证据多来自有医疗资源可及性的人群，未覆盖弱势群体，进一步加剧了评估的不确定性。
本研究的创新价值在于首次采用量化评分方法，系统评估ACIP各工作组对公平性域的判断变异性，并与其他域进行对比，同时分层分析不同疾病、年龄组、推荐类型对变异性的影响，为明确公平性评估的改进方向提供了实证数据。与现有研究相比，本研究不仅关注疫苗政策的公平性结果，更聚焦于政策制定过程中的内部共识问题，为优化ACIP的决策机制提供了直接依据，同时提出了涵盖概念、结果、个体体验的三维健康公平定义，为统一评估标准提供了新的思路。
3. 研究思路总结与详细解析
本研究的整体框架为回顾性队列研究，研究目标是评估ACIP各工作组对EtR公平性域的理解共识程度，核心科学问题包括公平性域的判断变异性是否显著高于其他EtR域，以及哪些因素会影响这种变异性，技术路线遵循“数据收集→量化评分→统计分析→分层验证→结论建议”的闭环逻辑，确保研究结果的科学性和可靠性。
3.1 研究对象与数据收集
本环节的核心目标是获取符合纳入标准的EtR报告数据，为后续分析提供基础。研究方法为回顾性收集2020年10月（公平性域首次实施）至2023年10月期间，ACIP公开会议中工作组提交的EtR报告，纳入包含公平性域判断的报告，排除时间范围外或无公平性判断的报告。研究人员提取每份报告中各EtR域的工作组判断、疫苗对应的疾病靶点、目标接种人群的年龄组、最终ACIP推荐类型等信息，并由其他研究人员交叉核对ACIP官方发布的EtR框架表，确保数据准确性。
结果显示，最终共纳入44份符合条件的EtR报告，对应290个域判断，其中公共卫生问题域的所有判断均无变异性（评分=0），其他域的变异性评分范围为0至4。
文献未提及具体实验产品，领域常规使用数据管理与统计分析类软件（如SPSS、R语言）进行数据处理与分析。
3.2 变异性量化评分
本环节的核心目标是将工作组的定性判断转化为可进行统计分析的量化指标，以客观评估判断的一致性程度。研究方法为制定标准化的变异性评分rubric，根据工作组选择的判断选项数量及选项间的逻辑关系，将变异性分为五个等级：0分代表无变异性（仅1个选项被选择），1分代表低变异性（2个相邻选项被选择），2分代表中等变异性（2个间隔至少1级的选项，且均为正向或负向判断），3分代表高变异性（3-5个选项被选择，或跨正负向的2个间隔选项），4分代表极高变异性（所有选项被选择，或选择“差异”“未知”，或跨正负向的2个间隔≥2级的选项）。研究人员依据该标准对每个EtR域的判断进行评分。
结果显示，所有EtR域的中位变异性评分均为0，说明大部分工作组的判断具有一致性；除公共卫生问题域外，其他域的评分范围均覆盖0至4，提示存在不同程度的变异性。
3.3 统计分析与分层评估
本环节的核心目标是比较公平性域与其他EtR域的变异性差异，并分析疾病靶点、年龄组、推荐类型等因素对公平性域变异性的影响。研究方法采用单因素方差分析（ANOVA）比较不同EtR域的平均变异性评分，采用双因素ANOVA分析疾病靶点、年龄组、推荐类型与变异性的关联，统计显著性水平设为p<0.10。
结果显示，公平性域的平均变异性评分为0.5，仅次于价值观域的0.6，所有域的平均评分均低于1（低变异性范围）；域间变异性差异具有统计学意义（p=0.094）。分层分析显示，呼吸道合胞病毒（RSV）疫苗的公平性域平均变异性评分最高（1.2，n=6），其次为COVID-19疫苗（0.4，n=9）和肺炎球菌疫苗（0.3，n=12）；针对儿科人群（<18岁）的疫苗平均变异性评分（0.7，n=11）高于成人人群（≥18岁）的0.4（n=29），但该差异无统计学意义（p=0.401）；共享临床决策推荐的平均变异性评分（1.5，n=8）显著高于常规推荐的0.3（n=36），且差异具有统计学意义（p=0.068）。
4. Biomarker研究及发现成果
本研究中涉及的“Biomarker”为影响ACIP工作组公平性域判断变异性的关键因素，包括疫苗对应的疾病靶点、目标接种人群年龄组、最终ACIP推荐类型，筛选逻辑为通过分层统计分析，比较不同亚组的变异性均值差异，验证方法为双因素ANOVA分析，以明确各因素与变异性的关联强度。
研究过程中，这些影响因素的来源为纳入研究的44份EtR报告中的标注信息，验证方法为对每个亚组的公平性域变异性评分进行统计描述，计算均值、中位数、范围，并通过双因素ANOVA分析其统计学显著性。特异性与敏感性数据显示，共享临床决策推荐对应的公平性域变异性均值为1.5，远高于常规推荐的0.3，且差异具有统计学意义（p=0.068）；RSV疫苗的变异性均值为1.2，显著高于其他疾病靶点的疫苗；儿科人群疫苗的变异性均值为0.7，高于成人人群的0.4，但该差异无统计学意义（p=0.401）。
核心成果提炼：本研究发现价值观域和公平性域的判断变异性最高，其中共享临床决策推荐是公平性域变异性的强关联因素，创新性在于首次量化了ACIP内部工作组在公平性评估上的共识程度，为优化健康公平评估框架提供了具体的靶点。针对RSV疫苗、儿科人群疫苗及共享临床决策推荐，需要制定更标准化的评估工具，比如借鉴可行性域的checklist，引入成熟的健康公平评估框架（如健康公平实施框架、世卫组织健康公平评估工具），以提升工作组判断的一致性。此外，研究还指出当前健康公平定义的局限性，建议采用涵盖概念、结果、个体体验的三维定义，以拓宽评估的证据范围，确保评估覆盖弱势群体的疾病负担数据。