《Frontiers in Public Health》：Predictors of childhood vaccination and recent influenza vaccination in older Brazilian adults: an analysis using conventional regression and machine learning approaches
编辑推荐：
背景：疫苗接种是一项重要的公共卫生干预措施，贯穿整个生命历程，但其决定因素可能因生命阶段而异。研究人员旨在使用传统回归和机器学习方法，识别并比较老年人儿童期疫苗接种和近期流感疫苗接种的预测因素。方法：研究人员使用了巴西老龄化纵向研究（ELSI-Brazil）第
背景：疫苗接种是一项重要的公共卫生干预措施，贯穿整个生命历程，但其决定因素可能因生命阶段而异。研究人员旨在使用传统回归和机器学习方法，识别并比较老年人儿童期疫苗接种和近期流感疫苗接种的预测因素。方法：研究人员使用了巴西老龄化纵向研究（ELSI-Brazil）第二波（2019–2021）的数据，该研究是一项具有全国代表性的50岁及以上个体队列。分析包括9,211名参与者的儿童期疫苗接种数据和9,863名参与者的流感疫苗接种数据。预测因素选自社会人口学、环境、生活方式和健康领域。使用了多变量逻辑回归和机器学习算法，并通过受试者工作特征曲线下面积（AUC）评估性能。结果：表现最佳的机器学习模型在儿童期疫苗接种（AUC?=?0.72，95% CI: 0.69–0.74）和近期流感疫苗接种（AUC?=?0.67，95% CI: 0.64–0.70）方面均表现出可接受的性能。对于儿童期疫苗接种，两种分析方法均识别出年龄、性别、农村居住地、父母教育程度、10岁时的入学情况、儿童期接触书籍和过敏史为重要预测因素。机器学习还额外识别出入学年龄、儿童期经济状况、自评儿童期健康、严重腹泻和儿童期传染病史。近期流感疫苗接种的关键预测因素包括年龄、婚姻状况、教育水平、就业状况和高血压/糖尿病。机器学习还强调了儿童期疫苗接种史、生活满意度、身体质量指数（BMI）和心理健康的重要性。结论：早期生命阶段的社会经济和健康状况是儿童期免疫史的重要预测因素，而当前的社会人口学和健康状况是近期疫苗接种的关键预测因素。机器学习识别出了传统方法之外的补充预测因素。
### 研究背景与问题
季节性流感是全球重大公共卫生负担，每年导致约10亿例病例、300万至500万例重症和29万至65万例呼吸道死亡。老年人因免疫力下降和合并症风险，对流感并发症尤为脆弱，但疫苗接种覆盖率仍不理想。巴西作为快速老龄化国家，60岁以上人口比例预计急剧上升，亟需理解其疫苗接种行为。现有研究多聚焦成人接种的即时因素，缺乏从生命历程（life-course）视角分析儿童期与近期疫苗接种的差异决定因素。同时，传统统计方法难以捕捉复杂关系，而机器学习（Machine Learning, ML）方法虽能处理非线性交互，但可解释性不足。本研究旨在利用巴西全国代表性队列，通过传统回归与ML方法，识别并比较儿童期疫苗接种与近期流感疫苗接种的预测因素，为精准公共健康干预提供依据。论文发表在《Frontiers in Public Health》。
### 关键技术方法
研究数据来自巴西老龄化纵向研究（ELSI-Brazil）第二波（2019–2021），涵盖50岁及以上人群，样本来自70个城市。关键方法包括：1）多变量逻辑回归（Multivariable Logistic Regression），用于识别与结局显著相关的预测因素（调整后比值比aOR，95%置信区间CI）；2）H2O自动机器学习（AutoML）框架，集成广义线性模型（GLM）、梯度提升机（GBM）、分布式随机森林（DRF）、多层感知器（MLP）和堆叠集成模型（StackedEnsemble），通过3折交叉验证优化，以受试者工作特征曲线下面积（AUC）评估性能。数据预处理采用预测均值匹配（PMM）多重插补处理缺失值（≤30%），并对训练集进行随机欠采样以平衡类别。特征重要性通过内置模型变量重要性排序衡量，并结合两种方法的结果进行一致性分类。
### 研究结果
#### 3.1 研究人群特征
研究纳入9,211名参与者的儿童期疫苗接种分析和9,863名参与者的近期流感疫苗接种分析。近期疫苗接种组中，71.4%在过去一年接种流感疫苗，中位年龄67岁，男性占60.9%；儿童期疫苗接种组中，63.5%曾接种至少一种疫苗，中位年龄62岁，男性占58.2%。近期接种组中，74.2%无业，53.2%已婚。儿童期接种组中，85.4%有儿童期传染病史。
#### 3.2 训练集平衡前后的类别分布
儿童期接种原始训练集含4,679名接种者与2,691名未接种者，平衡后各为2,691名；测试集保持原分布（1,169名接种，672名未接种）。近期接种原始训练集含5,632名接种者与2,259名未接种者，平衡后各为2,259名；测试集保持原分布（1,408名接种，564名未接种）。
#### 3.3 儿童期接种与近期流感接种的预测性能
对于儿童期接种，GLM模型表现最佳（AUC=0.72，95% CI: 0.69–0.74），其次为StackedEnsemble（AUC=0.71）、MLP（AUC=0.69）、DRF（AUC=0.68）和GBM（AUC=0.66）。对于近期流感接种，GLM和StackedEnsemble并列最优（AUC=0.67，95% CI: 0.64–0.70），GBM和DRF为0.66，MLP最低（AUC=0.58）。所有模型均显示可接受的区分能力。
#### 3.4 儿童期接种与近期流感接种的预测因素
**儿童期接种**：两种方法一致的预测因素（Concordant）包括年龄、性别、农村居住地、母亲教育程度、父亲教育程度、10岁入学情况、儿童期接触书籍、过敏史及因健康问题缺课。机器学习额外识别出（Prediction-only）入学年龄、儿童期经济状况、自评儿童期健康、严重腹泻和儿童期传染病史。逻辑回归独有（Inference-only）的为慢性耳部问题。两者均不显著的包括儿童期呼吸系统疾病和10岁与家人同住。
**近期流感接种**：一致的预测因素包括年龄、婚姻状况、子女数量、母亲教育程度、教育背景、有薪工作、饮酒频率、心理健康状况、睡眠质量、对未来乐观态度、高血压和糖尿病。机器学习额外识别出生活满意度、健康状况、运动频率、身体质量指数（BMI）、儿童期疫苗接种史和抑郁症。逻辑回归独有的包括性别和睡眠问题。两者均不显著的包括性别、农村居住地、父亲教育程度等。
### 讨论与结论
讨论部分指出，研究通过生命历程框架整合了传统与ML方法，揭示了儿童期疫苗接种主要受早年社会经济与发展因素（如母亲教育水平、入学年龄、经济状况）驱动，而近期流感接种则更多受当前社会人口学（如婚姻、就业）和健康条件（如高血压、糖尿病）影响。ML方法补充了非线性或交互作用因素，如生活满意度、BMI和心理健康，为个性化干预提供了新靶点。研究强调，针对儿童期疫苗接种应加强家庭和学校中心干预，而成人接种需克服结构性障碍（如工作场所接种服务）。局限性包括横截面设计、自我报告偏倚、仅限巴西50岁以上人群，且未纳入政策或区域基础设施变量。结论翻译：通过整合传统和机器学习方法，在生命历程框架内，本研究识别了老年人不同生命阶段疫苗接种的独特决定因素。儿童期疫苗接种主要受早期社会经济和发展因素影响，而近期流感疫苗接种更多受当前社会人口学、健康和心理健康状况驱动。利用大型全国代表性队列，分析提供了老龄化社会疫苗接种的人口层面视角，突出了量身定制的阶段性干预措施在提高全生命周期疫苗覆盖率方面的潜力。
