优化COVID-19疫苗加强方案在免疫缺陷人群中的免疫原性与安全性：BOOST-IC平台试验的贝叶斯分层模型研究

针对免疫缺陷人群COVID-19疫苗应答不足的难题，澳大利亚多中心团队开展BOOST-IC适应性平台试验，通过贝叶斯分层两阶段模型评估三种疫苗（Pfizer/Moderna/Novavax）单双剂方案的免疫原性（抗刺突蛋白IgG浓度）与安全性。研究首次在HIV感染者、实体器官移植和血液肿瘤患者中建立动态决策框架，为精准免疫策略提供数据支持。

　　

免疫缺陷人群在COVID-19大流行中始终面临更高的感染风险和更差的临床结局。尽管疫苗已广泛接种，但HIV感染者（HIV）、实体器官移植（SOT）和血液系统恶性肿瘤（HM）患者对标准接种方案的免疫应答显著减弱。现有证据显示，这些人群接种后抗体滴度可能低于检测限，且不同免疫抑制机制导致的异质性使得"一刀切"的加强策略效果有限。更复杂的是，随着SARS-CoV-2变异株的不断出现，疫苗交叉保护效果的不确定性进一步增加了临床决策的难度。

西澳大利亚大学儿童健康研究中心（Wesfarmers Centre of Vaccines and Infectious Diseases, The Kids Research Institute Australia）联合墨尔本阿尔弗雷德医院传染病科等机构，开展了名为BOOST-IC的多中心适应性平台试验。这项创新性研究通过贝叶斯统计方法，首次在三种主要免疫缺陷人群中系统比较不同加强方案的效果。研究团队设计了一个动态评估框架，能够随着新疫苗上市和变异株流行实时调整试验参数，最终为临床实践提供循证依据。

研究采用适应性平台试验设计，纳入HIV、SOT和HM三类患者，随机分配至单剂或双剂加强方案（Moderna/Pfizer/Novavax疫苗）。关键技术包括：1）贝叶斯分层两阶段模型处理低于检测限的IgG数据；2）动态时间机器算法校正时间偏移效应；3）免疫原性主要终点为28天抗刺突蛋白IgG浓度；4）建立精确度标准（95%可信区间宽度<0.3 log₁₀）作为适应性调整阈值。

研究结果
试验结构
BOOST-IC采用多中心、三因素（人群×疫苗×剂量）设计，通过澳大利亚临床试验注册平台（NCT05556720）招募患者。核心创新点是允许在试验过程中动态替换疫苗类型（如从BA.1二价苗过渡到XBB.1.5单价苗），确保评估的始终是最新获批的疫苗。

统计建模
针对主要终点（28天IgG浓度），研究团队开发了独特的贝叶斯两阶段模型：第一阶段用logit回归分析抗体可检测概率，第二阶段对可检测样本建立分层线性模型。通过设置弱信息先验（如μ_det~N(log₁₀(2457),0.3²)），模型能在信息匮乏的子群（如基线抗体阴性患者）中实现合理的信息共享。

决策框架
预设的精确度标准（ρ_jkl<0.3）触发了适应性调整：当某亚群（如HIV）数据达到精度要求时立即停止该组招募，将资源转向应答变异更大的群体（如SOT）。模拟显示在80%可检测应答率场景下，320例样本可使所有亚群达到目标精度。

免疫原性发现
初步数据显示，双剂方案在多数亚群中显著提升IgG水平（P_jkl>0.9），但不同疫苗间差异随变异株演变而变化。值得注意的是，基线抗体阴性患者的应答率仍显著低于阳性者，支持对这部分人群采取更积极的加强策略。

这项研究建立了评估免疫缺陷人群疫苗应答的新范式。通过贝叶斯适应性设计，BOOST-IC首次实现了三个突破：1）在单一试验中同步评估多种疫苗和剂量方案；2）建立基于精确度的动态招募规则；3）开发可处理复杂免疫数据的统计框架。研究结果直接指导澳大利亚免疫实践指南的制定，特别是为XBB系列变异株流行期间的加强策略提供了关键证据。未来，该平台可扩展至评估单克隆抗体等其他预防措施，持续守护这一脆弱人群的健康防线。