基于分层贝叶斯小区域估计方法的埃塞俄比亚儿童脊髓灰质炎全程疫苗接种率本地化评估研究

为解决埃塞俄比亚基层区域儿童脊髓灰质炎疫苗接种数据缺失问题，研究人员采用分层贝叶斯(HB)小区域估计(SAE)方法，整合2019年迷你人口健康调查与2007年普查数据，构建逻辑正态混合模型。结果显示，HB估计的变异系数(CV=36.40)和均方根误差(RMSE)显著优于直接调查估计(CV=44.41)，为SDG3健康目标提供精准政策依据。

　　

脊髓灰质炎疫苗是拯救生命的医学奇迹，但在埃塞俄比亚农村地区，仅有53%儿童完成三剂口服疫苗(OPV₃)接种。更棘手的是，传统调查方法在基层行政区划（称为"zone"）层面存在样本量不足、交通不便等瓶颈，导致数据缺口高达60-80%。这种信息黑洞使得政策制定者难以精准识别高危区域——比如游牧民族聚居的Afder、Shinile等地区，疫苗接种率持续低于20%。

为破解这一难题，德布雷塔博尔大学统计系的Seyifemickael Amare Yilema团队在《Discover Public Health》发表研究，创新性地将2019年迷你埃塞俄比亚人口健康调查(EDHS)与2007年人口普查数据融合，采用分层贝叶斯(HB)小区域估计(SAE)技术。通过构建三种竞争模型（Fay-Herriot模型、对数正态混合模型和逻辑正态混合模型），并利用偏差信息准则(DIC)筛选，最终选定逻辑正态混合模型作为最优框架。该模型巧妙引入普查辅助变量——如农村居住比例、家庭规模>5户等12项人口特征，通过马尔可夫链蒙特卡洛(MCMC)算法进行5万次迭代计算，成功实现"借力"相邻区域数据提升估计精度。

关键方法
研究团队首先通过广义方差函数(GVF)平滑处理调查方差，随后采用三步建模：1) Fay-Herriot经典区域模型；2) 对数转换非匹配模型；3) logit转换逻辑混合模型。模型参数采用扩散先验分布（回归系数β～N(0,10⁶)，随机效应方差σ_v²～Uniform(0,1000)），数据来源于DHS项目经伦理审查的12-23月龄儿童疫苗接种记录，目标变量定义为二分类（完全接种=1/否则=0）。

主要结果

• 模型优选：逻辑正态混合模型以最低DIC值(36.560)胜出，显著优于线性FH模型(40.66)和对数模型(38.65)。
• 参数估计：后验分析显示，家庭规模>5户(β=-2.64,95%CI[-5.88,-1.16])和农村居住(β=1.99,[0.14,4.31])是显著预测因子，随机效应方差σ_v²=0.043表明区域间存在适度异质性。
• 精度提升：HB估计将平均CV从直接估计的44.41%降至36.40%，RMSE最大值从0.11103锐减至0.0083，在样本量最小(n=5)的zone仍保持CV<1%。
• 空间差异： Somali和Afar大区的多个zone持续呈现<20%接种率，与Amhara等冲突地区共同构成重点干预靶区。

结论与意义
该研究首次在埃塞俄比亚实现zone级脊灰疫苗接种的精准测绘，其创新性体现在三方面：1) 通过非匹配模型解决调查与普查数据结构差异；2) 采用logit链接确保比例估计值始终落在(0,1]区间；3) 为SDG3健康目标提供可操作的地方化数据。作者建议在低覆盖率区域实施"帐篷诊所+健康推广员"组合策略，并借助宗教领袖破解疫苗犹豫。局限性在于未纳入2019年后人口流动数据，未来可结合夜间灯光卫星数据优化空间效应建模。这项成本效益突出的监测体系，为发展中国家基层卫生决策树立了新范式。