“从前线领导”的实施增加了医护人员流感疫苗接种运动的成功:使用干预成分分析(ICA)和定性比较分析(QCA)对系统审查证据的再分析

背景

广泛建议医护人员接种季节性流感疫苗，以保护医护人员和病人。以前的一项系统审查审查了鼓励接种的干预措施，发现硬授权(如因不接种疫苗而失去工作)比软授权(如签署拒绝接种表格)或其他干预措施(如激励措施)更有效。尽管有这些主要的模式，该综述的作者得出的结论是，“实质性的异质性”仍然需要进一步的分析。本文采用干预成分分析(ICA)和定性比较分析(QCA)对证据进行重新分析，以检验实施干预的策略是否能够解释剩余异质性。

方法

我们使用ICA提取实施特征和试验人员对他们评估的干预措施成功的基础的思考。ICA调查结果为两个QCA分析提供了信息和结构，以系统地检查实施特征和干预结果之间的关联。分析1审查了硬性任务研究。分析2考察了软授权和其他干预措施。

结果

在分析1中，ICA揭示了“从前线领导”而不是“自上而下”执行硬命令的重要性。这其中有四个主要特点:在实施前提供教育;双向参与，使卫生组织能够在实施前表达关切;以前使用过其他策略，这样机构就不会对硬性命令“无动于衷”;以及来自机构领导的支持。QCA显示，两种配置中的任何一种都与硬授权的更大成功相关。第一个是双向接触、领导支持和“不要冷淡”的方法。第二点涉及到领导支持、教育和“不要被冷落”的方法。在分析2中重新应用“从前面引导”的理论揭示了类似的模式。

结论

无论何种干预措施，“从前面领导”的实施方法都可能提高干预措施的成功程度。虽然研究结果与卫生保健工作者的流感疫苗接种有关，但这里确定的组成部分可能与有关COVID-19疫苗接种的公共卫生运动有关。

卫生保健工作者中的季节性流感和疫苗犹豫

季节性流感可对个人造成严重后果，特别是对儿童、老年人和已有健康问题的弱势群体[88betway］．疫情还可能对卫生服务造成重大压力[88betway］．鼓励直接照顾病人的医护人员接受流感疫苗注射[88betway］．尽管有证据表明流感疫苗是安全、有效的，并可降低患者死亡率[88betway一个关键的挑战是疫苗吸收不足。2018-2019年期间，英国70%的一线卫生保健工作者接种了疫苗，这一数字同比有所增加，但仍未达到75%的国家目标[88betway］．近年来，对疫苗的犹豫不断增加[88betway，88betway]， COVID-19大流行凸显了了解如何应对这一问题的紧迫性[88betway]，以确保他们的福祉，并确保提供安全、高效和有效的医疗保健服务[88betway］．

目前对增加吸收的干预措施的理解和证据的空白

全面系统的检讨[88betway]，最近更新了[88betway]的研究发现，鼓励接种的各种干预措施可以提高HCW的疫苗接种率。该审查审查了自愿方案(如激励措施、媒体宣传或教育方案)和强制为健康照顾者接种疫苗的政策(其中一些被定义为“软”，另一些被定义为“硬”)。meta分析用于量化原始综述中各种方法的效果。研究结果表明，在所审查的干预策略中，诸如因未接种疫苗而失业等“硬性”命令是迄今为止最有效的(RRunvac(未接种疫苗的风险比)= 0.18,95% CI: 0.08-0.45)。其次是“软”授权，要求接种疫苗，同时采取措施，如要求工作人员签署拒绝接种表格，以及其他自愿干预措施，如增加接种机会(即使工作人员更容易接种疫苗)(RRunvac = 0.64, 95% CI: 0.45-0.92)和提高认识(如通过媒体宣传)(RRunvac = 0.83, 95% CI: 0.71-0.97)。对激励的汇总结果没有达到统计学意义(RRunvac = 0.89, 95% CI: 0.77-1.03)，对教育干预的汇总结果显示没有证据显示效果(RRunvac = 0.96, 95% CI: 0.84-1.10)。

虽然这些关于大类别干预措施的综合效应的发现是理解如何最好地解决HCW接种疫苗问题的有用步骤，但缺乏关于具体实施什么以及如何实施的重要知识。作者在研究结果中发现了“实质性的异质性”([88betway第66页)，并承认这可能是由于若干因素，包括:所研究的HCW人口;临床;这个国家;每项干预措施的具体组成部分以及在每项研究中实施的方式。例如，“硬授权”的确切性质差别很大;有些要求未接种疫苗的HCW使用口罩，而有些则禁止与患者接触，还有一些则导致终止雇用。

由于缺乏有关成功战略的具体特征和实施方法的信息，往往阻碍了对系统审查结果的吸收[88betway，88betway］．此外，对硬性授权使用的伦理担忧可能会阻碍对该审查结果的理解，这表明有必要对此类策略进行更全面的理解[88betway］．

Lytras等人对硬指令成功的高水平研究结果表明，“大棒比胡萝卜好”干预理论的有效性。然而，由于并非所有的硬授权(或软授权)干预都能取得类似的成功率，我们需要超越公开干预理论，关注“实地”实施和背景。

本研究的主要目的是通过确定成功策略的关键特征和实施方法，支持医院实施有效的疫苗接种吸收策略。此外，通过探索疫苗接种策略的工作原理，我们希望提供一些见解，可能有助于全球开展COVID-19疫苗接种工作。

本项目的目的是使用另一种分析技术-定性比较分析(QCA)对试验进行重新分析[14，15，88betway］．QCA -最初由政治科学领域的Charles C. Ragin开发[88betway] -最近已被用于系统检讨[88betway，88betway］．当应用于系统回顾时，该技术试图发现干预和与给定结果相关的背景特征的关键结合;潜在的因果机制是从对特征和结果的结合观察中推断出来的。QCA是一个“案例”而不是一个“变量”导向的方法。QCA术语中的“案例”本质上是指研究单位。在系统回顾中，这通常是一种干预，包括其特征和实施的环境。“案例导向”的方法需要对每个案例有深入和全面的理解。QCA的另一个关键特征是，它使用集合理论来确定特定结果的充要条件;例如，这一分析是基于一组有效案例与一组无效案例的特征的比较。在这里，QCA试图确定这些结果集和具有类似干预或实施特征的病例集之间的重叠程度。 This approach enables an analysis that, unlike meta-analysis, can operate with relatively small numbers of studies and a relatively large number of variables (which are referred to as ‘conditions’ in QCA). QCA is also particularly suitable for analysing intervention complexity in systematic reviews because it allows for equifinality; that is, it assumes that different combinations of intervention characteristics may lead to the same outcome. Lastly, whilst some QCA designs employ inductive reasoning or integrate elements of deduction [88betway]，许多QCA在证据合成中的应用采用溯因方法，适合检验复杂的因果关系[88betway］．与元分析的演绎方法不同，推导方法是从观察到的结果(在这种情况下是接种疫苗的接种率)开始，然后反向寻找对观察到的结果最简单和最可能的解释。因为溯因方法产生了一个似是而非的解释，但不能最终验证它，它远不如演绎方法安全。因此，一个关键的要求是分析要有理论支撑。本质上，质量质量分析在系统评价中的应用不同于许多其他社会和政治科学的应用。在系统评审的情况下，作为QCA基础的数据集是由评审人员根据干预实施过程中发生的观察和报告构建的。然而，鉴于干预措施实施情况报告的充分性是整个文献中普遍关注的问题[88betway，88betway]，这可能会使丢失数据的处理具有挑战性，特别是当试验人员几乎只报告确实发生的过程，而不是确认没有发生的过程和组件时。QCA在系统评审中的应用假设，如果干预过程或组成部分未报告，则干预中确实不存在[88betway，88betway］．然而，为了更全面地理解干预过程中确实发生的过程，我们利用了干预成分分析(ICA)。

ICA是一种方法方法，旨在“弥合干预措施有效性证据与干预措施实际实施之间的差距”[88betway］．更具体地说，ICA试图通过利用试验人员对他们评估的干预措施如何在“现场”发挥作用的非正式反思，产生对干预机制的“基于经验的”理解。ICA使用定性数据分析技术，并利用非正式证据(通常在已发表的试验报告的讨论部分报道)来了解试验人员的感受是什么导致了干预的成功或什么抑制了干预的成功。尽管利用这类非正式数据存在潜在的局限性，但ICA提供了一个系统的过程，通过它可以发展基于经验的干预机制理论解释。这些解释可以用更正式的分析技术来检验，比如QCA。此外，考虑到(太多)许多结果评估没有伴随着过程评估，而过程评估可以提供更丰富的干预机制数据和干预协议的保真度，ICA提供了一个可选的框架，用于合并干预过程和组件的额外数据。在之前的一个项目中，ICA和QCA配对成功地确定了关键的干预机制[88betway］．

该研究涉及对Lytras等人2016年评论中所包含的试验的重新分析[88betway并从Lorenc等人2018年更新[88betway］．由于分析只涉及已经在公共领域发表的数据，因此没有获得伦理上的批准。虽然正在制定质量保证监督(QCA)研究指南，但目前尚无系统评审再分析的报告指南[88betway]并且我们已设法对这项工作提供详细和透明的说明，以便可以复制。

基于Lorenc等人的研究[88betway]以及不同的干预措施将由不同的规划理论支撑的假设，我们最初的假设是，区分较成功和较不成功的硬授权干预措施的机制将不同于区分较成功的软授权和其他干预措施与较不成功的干预措施的机制。因此，我们进行了两个独立的分析。分析1探讨了硬授权干预措施中哪些干预措施和实施特征与更大的有效性相关，分析2探讨了软授权和其他自愿干预措施中哪些特征与更大的有效性相关。在重复分析2的过程之前，我们完成了分析1的所有QCA阶段。

QCA阶段0:选择病例和确定结果集

在分析1中，我们选择了所有8个硬性任务案例[28，29，30.，31，32，33，88betway]包括在最初的评论中[88betway(注:Ksienski 2014年的研究评估了两个硬性授权案例)，以及另外三个硬性授权案例[35，36，88betway]在更新中识别[88betway］．在分析2中，非硬性授权案例的数量要大得多(审查中有45例，更新中有12例)，因此我们能够有意地选择结果变化最大的案例，即10个最有效的非硬性授权案例[38，39，40，41，42，43，44，88betway和10个最无效的方法[46，47，48，49，50，51，88betway］．(注:共有6篇论文报告了10个最无效的软授权/其他案例;Dey et al. 2001, Doratotaj et al. 2008和Zimmerman et al. 2009在以下三篇论文中分别报道了两个病例。)通过排除中度有效的非硬性授权案例，我们过滤掉了可能掩盖最有效和最无效之间差异的“噪音”。根据干预后未接种疫苗的相对风险(RRunvac)，根据Lytras的原始综述确定有效性;RRunvac < 1的值表明干预措施有效地减少了未接种疫苗的hcw的数量。在分析2中，我们使用了清晰的结果集，其中的案例是一组“最有效”案例的完整成员或一组“最不有效”案例的完整成员。我们根据RRunvac值对案例进行排名;最有效的10个样本的值在0.06到0.59之间，最不有效的10个样本的值在0.95到0.99之间。由于我们在分析1中包含了全部结果范围(即我们没有像分析2中那样排除中度有效的病例)，我们创建了模糊结果集，其中研究可以是集的部分成员。 A highly successful outcome set (coded as 1) comprised of four cases with RRunvac values between 0.01 and 0.14. A moderately successful outcome set (coded as 0.66) comprised of four cases with RRunvac values between 0.15 and 0.29. A least successful outcome set (coded as 0.33) comprised of two cases with RRunvac values between 0.30 and the least effective in the set (0.57). The terminology ‘successful’ for analysis 1 is in relation to other cases included in the model – all studies in Analysis 1 could be considered effective based on their effect sizes and confidence intervals although some were much more impactful than others.

QCA阶段1:使用ICA识别条件并建立数据表

一旦我们选择了我们的案例并确定了我们的结果集，我们就会反复阅读报告这11个硬任务案例的论文，从而为分析1生成深入的知识。在熟悉练习之后，两位作者(KS和DK)独立提取了关于硬任务干预措施性质的信息，以创建一个数据表，用行表示病例，用列表示条件(参见支持信息-附加文件)88betway)．最初的工作集中在作者提供的干预描述上——例如，我们收集了关于硬性授权性质的数据，如它是否会导致失业、是否存在不认同的污名化标记以及任何“拒绝”程序是否特别繁琐。然而，将我们的数据收集仅限于干预措施描述，无法识别区分最成功和最不成功干预措施的特征。因此，我们决定将重点放在实现上，并使用ICA从Discussion部分提取信息。具体来说，我们使用归纳定性分析技术来编码作者对作为成功的促进因素或障碍的因素的感知。ICA揭示了作者通常认为是硬任务干预措施成功的基础的四个执行特点:教育(报告了5个案例)，例如在执行任务之前举办信息会议;双向接触(报告了两例)，即让卫生组织有机会提出关切;“不要感冒”(报告了5例)，即前几年鼓励接种疫苗的努力;以及领导支持(6例报告)，即来自机构高层领导的参与和认可。表格88betway，以下提供作者就这些实现功能的重要性所作的举例陈述[88betway］．然后，我们对每种情况进行编码，以表示条件的存在和不存在，报告为存在的条件被编码为“1”，没有报告的条件被假设为不存在并编码为“0”。在进入QCA分析的下一阶段之前，对数据的质量进行了评估，包括检查条件的“共线性”(即当两个或两个以上条件一致同时发生时)和条件的罕见性。

我们回到理论文献中，看看反映我们突发发现的现有理论是否有助于巩固我们的思维。这一过程确定了“从前线领导”的理论概念，而不是“自上而下”或“专制”的领导方式，其关键的基础原则是，组织应该以“带人与你同行”为目标。这一概念借鉴了有关变革型领导的文献，强调沟通、倾听、模仿和领导承诺[88betway］．

分析2采用了同样的步骤;然而，由于我们假定非硬性任务研究将以不同的机制为基础，所以最初没有提取ICA中确定的相同条件用于分析1。分析2的初始工作基于“暗逻辑”方法[88betway］．由于非硬性授权干预措施被发现普遍不如硬性授权干预措施有效，我们考虑是否可以确定损害该方法的有害或无效机制。然而，这一分析计划被证明是徒劳的。因此，我们决定看看相同的条件和“从前面领导”理论是否也可以解释软命令和其他干预措施之间的结果差异。

在进行QCA时，一个需要关注的问题是，情况与条件的比例不平衡可能会导致多样性有限的问题，在这种情况下，我们没有观察到许多潜在的条件配置，我们可能会为每个情况创建单独的描述，而不是基于模式的规律性的解释。根据对关键执行过程的理论假设以及案例:条件的理想比例的指导，为包含11个案例的硬任务初始模型选择了4个条件。硬任务模式的比率符合通常做法和早期指导，该指导指出，10至40个案例的“中间N”分析的4至7个条件之间可以提供案例的平衡:条件[88betway］．后来的实证分析表明，我们所选择的案例:条件在硬性命令模型中的比例在可接受的边缘[88betway]，尽管我们承认，关于情况:条件的理想平衡的问题仍然是一个有争议的问题，并将在本文后面讨论。

QCA阶段2:构建真值表

在QCA的第二阶段，建立了QCA的关键分析工具真值表。真理表将焦点从单个案例转移到具有相同结果的案例组“结果集”(如上所述)，从单个条件转移到具有导致特定结果的条件的特定组合或“配置”的研究集。用于分析的真值表1(表88betway)和2(表88betway)。

QCA阶段3:检验真值表的质量

对每个真值表的第一个检查涉及到评估配置和结果集之间关联的一致模式的明显程度。例如，如果所有涉及理论中所有四个条件(教育、双向参与、“不要介入”方法和领导支持)的案例都是成功结果集的完整组成部分，而没有一个是不成功结果集的案例，那么就会显示真理表中那一行的完美一致性得分，用“1”表示。相反，如果四个条件都不存在的所有情况也是不成功结果集中的所有情况，这也将显示完全一致，并以“0”表示。模糊集QCA允许甚至预期存在某种程度的不一致(我们的一致性评分设置为0.85)——但关联模式应该是明显的，并对潜在的偏差病例进行不一致的探索;对于脆质QCA，一致性分数应尽可能接近1(完美一致性)[88betway]在这里，由于数据集的规模相对较小，我们将一致性级别设置为1，因此任何偏差或不一致都需要解决或解释。我们执行的第二个检查是评估覆盖率，即配置是否被多个用例支持。预期会有多条路径到达给定的结果，因此任何给定配置提供的覆盖范围可能只有一个或少数情况。然而，当多个用例支持一个配置时，它帮助我们理解不同配置的相关性或重要性，并降低结果QCA解决方案成为单个用例解释的可能性。第三个检查检查了每个真值表中可能的配置中是否存在合理的情况分布。拥有一系列可能构型的证据有助于我们解释和完善我们的因果理论。最后检查包括(i)检查异常个案的一致性[88betway] -条件配置值高于0.5，结果值低于0.5的情况(不一致);以及(ii)对反直觉发现的检验——例如，如果我们的基础理论中指定的所有条件都与不成功的结果有关——表明我们的理论在实践中没有发挥作用。正如下面的真值表所示，我们发现上述每个检查都有令人满意的结果。

QCA阶段4:布尔极小化识别构型的简化表达式

我们使用布尔极小化来识别构型的简化表达式，并根据逻辑余数的处理(见第5阶段)对布尔极小化的执行方式进行了更改。简化构型的目的是最大化成功结果集中尽可能多的情况的覆盖率，并保持高度一致性。这最初产生了所谓的QCA术语中的“保守解”(也被称为复杂解，即最长的，最简约的解)，在布尔最小化过程中没有使用逻辑余数来简化表达式。

QCA第五阶段:考虑“逻辑剩余”

在这一阶段，使用没有可用案例的可能配置(称为逻辑余数)来帮助生成简化的质量质量保证(QCA)解决方案(称为“简约解决方案”)。软件(duya(2019)开发的R软件包)[88betway]被用来推断逻辑余数的结果，这些信息被考虑到QCA解中，最初产生了所谓的简约解。“简约解决方案”涉及到使用一种算法，将结果或非结果分配给剩余的配置，以实现简约最大化。然而，在获得这个解决方案的过程中，出于节俭的考虑，我们可能做出了一些站不住脚的假设，我们生成了一个进一步的“中间解决方案”，其中包含了我们自己关于不同组件影响的假设(所有假设都对产生成功的结果是积极的)。此外，我们实现了duya(2019)开发的一种算法，以消除不成立和矛盾的逻辑剩余部分，否则可以用来生成解决方案，生成“增强中间解决方案”[88betway］．这个解代表了我们的首选解，也是我们解释结果的基础。

QCA阶段6:解释解决方案

一旦我们有了我们的QCA解决方案，我们就回到我们的案例和理论，以检查解决方案在个别案例和跨案例的背景下是否有意义。

艰难的任务研究

QCA揭示，“从前线领导”理论似乎解释了为什么一些硬授权干预比其他干预更成功。作为真理表(表88betway)，基于模糊集数据，说明了我们有16种可能配置中的5种情况。该表表明，所有四种情况的配置与疫苗接种水平最高的病例之间的关系完全一致(第一行)。在较高的疫苗接种率和干预中缺少教育的配置之间也有完美的一致性，但其他三种情况是存在的——尽管只有一个病例具有这种配置(第二行)。该表显示了在没有双向参与的情况下，配置与成功结果的高度一致性(0.855)，但存在其他三个条件(第3行，2个情况)。最后两行说明了与不成功结果相关的配置之间的关系。在一个没有相关干预组件的配置中，有三个案例被认为主要不成功，一个被认为部分成功，而有两个组件的配置在一个主要不成功的案例中被发现。我们还强调，所有的研究都在统计上显著降低了未接种疫苗的hwc的风险，在这组结果中，“成功”和“不成功”的语言是相对的，而不是绝对的。

布尔值最小化和增强中间解决方案的生成确定了一个模型，该模型包含两种可导致更大疫苗接种吸收的硬性任务执行简化路径，如表所示88betway在下面。第一个是双向接触、领导支持和“不要冷淡”的方法。第二点涉及到领导支持、教育和“不要被冷落”的方法。因此，一个包含组件和流程配置的干预就足以产生成功的结果。由于这两种途径都包含领导支持和“不要冷漠”，我们可以推断，这两个条件是触发积极结果的必要条件，但不是充分条件，第三个条件也是必需的。这两种配置都涵盖了结果的大多数实例，而且关键的是，它们包含了被确定为“成功”结果集的全部成员的所有研究。

软授权/其他研究(n= 20例)

下面的真相表(表88betway)给出了与“从前面开始”理论中指定的四个条件相同的配置，加上一个附加条件“仅限字母”。当我们第一次评估20个软授权/其他案例时，我们很难理解为什么一些非常有效的研究不符合理论。他们的成功可能还有其他条件或环境因素。然而，我们注意到，这些特定的研究包含的信息很少，因为它们不是完整的研究论文，而只是信件(即长度比标准文章短得多)，尽管包含实证信息;特别是，它们只有有限的讨论部分，而讨论部分通常只报告关键信息，例如关于强有力的领导支持的影响的信息。因此，我们假设理论中的一些关键特征可以在这些情况下出现，但由于这类文章的长度较短，所以没有描述。一旦我们将案例编码为“仅信件”(或研究文章)，并将其纳入模型，同样的模式开始出现。

例如，真值表清楚地表明，除了效率最低的配置(在最下面的6行)之外，所有配置都没有得到强有力的领导支持。相比之下，所有与更高效率相关的案例(除了两例仅是信函)都涉及到领导支持。同样，除一个被确定为有成功结果的案例外，所有的案例都有证据表明在干预行动之前开展了活动;唯一没有的是一封信。

布尔值最小化和增强中间解决方案的生成确定了一个模型，该模型包含三条简化的软授权和其他干预实施途径，导致了更大的疫苗接种吸收，如表所示88betway以上。这些都反映了硬指令解决方案中的元素，前两条路径表明，“领导支持”和“不要冷”的结合是必要的，但不足以引发积极的结果。在第一种途径中，教育的附加条件是配置的一部分，这一途径中的七项研究代表了信件和研究文章的混合。除了“从字体引导”和“不要进入冷状态”，第二种途径还包括一个在字母中很难捕捉到的条件——双向接触。不出意料的是，支持这一途径的5种情况都在完整的研究文章中得到了报道。第三种配置包括两项研究，仅以字母形式报告，附加条件表示缺乏报告的领导支持和存在教育。第三种途径由两项研究组成，在这两项研究中，信件的狭窄范围不太可能允许更复杂的机制和过程，如“领导支持”、双向参与和“不要进入冷状态”。该QCA模型的数据是脆集的，这有助于识别所有结果实例(覆盖率值为1)，覆盖率评分为1。

在熟悉了框架和条件之后，我们使用为软指令/其他干预分析开发的crisp-set编码框架检查了硬指令，并将RR(< 0.2)的四项研究区分为(最)成功的研究。通过与之前分析相同的程序，生成了一个增强的中间解决方案，再次强调了“从前面引导”、“不要冷”和“双向参与”三个条件的组合的重要性，这足以产生一个成功的干预措施(表88betway)．

进一步检查表中表示的解88betway，88betway和88betway被进行。这些结果表明，这些解也不会触发结果的否定(由于因果不对称，QCA中有这种可能性)，并且使用Dusa(2019)开发的算法生成的增强中间解确保了在推导我们的首选解时不包括站不住脚的简化假设。

上述研究结果表明，“从前面带头”而不是“自上而下”的方法提高了流感疫苗接种运动的有效性，以增加HCW的接种率。有趣的是，这种方法似乎提高了硬授权方法和软授权或其他方法的有效性。考虑到“从前线领导的逻辑”似乎在某种程度上与公开干预的逻辑形成对比，硬性命令是“大棒”或制裁，以强制遵守疫苗接种运动，这些发现尤其令人震惊。通过揭示这种对硬性命令方法的更细致的看法，我们的分析为寻求实施强制疫苗接种运动的组织提供了额外的支持。此外，如果不对关键执行情况和背景因素有这种细致入微的了解，从长远来看，硬性授权办法可能无效。考虑到疫苗犹豫和COVID-19这两个全球关切，我们还可以预期，从这些关于流感疫苗接种的分析中吸取的教训在当前具有更广泛的相关性。

COVID-19大流行和各国正在大规模开展针对SARS-CoV-2病毒的hcw疫苗接种工作，使针对传染病的hcw疫苗接种战略受到严重影响。为了减少病毒向易受感染患者的传播，并保护接触艾滋病毒增多的艾滋病毒携带者，在为艾滋病毒携带者接种疫苗的运动中取得成功至关重要。然而，成功为卫生保健工作者接种疫苗也可能对接种疫苗的接受产生更广泛的影响，因为卫生保健工作者对一般人群中关于接种疫苗的决定有影响[88betway］．这里强调的组成部分表明，在卫生保健工作者中成功的疫苗接种运动取决于复杂的条件，包括“不要进入寒冷”、“双向参与”和“从前线领导”。这些条件不应与任何特定模式或特定组成部分或活动相一致，而应被视为纳入未来疫苗接种运动的设计原则。在考虑更广泛的大流行控制措施时，这些条件也可能具有一些突出意义。以英国为例，截至本文撰写时(2021年10月)，英国是所有大国中死亡率最高的国家之一[88betway]，对一般人群不遵守大流行控制措施提出的解释与本文确定的情况相似。例如，首相特别顾问多米尼克·卡明斯高调违反居家和保持社交距离的要求，以及随后英国内阁成员为其行为辩护，都被归因于民众对规则的遵守程度下降[88betway]，并对违反公共卫生条例在总理官邸举行的聚会的影响也有类似的担忧[88betway];以及英国伊玛目为应对英国穆斯林人口对疫苗的犹豫所做的努力[88betway都可以被视为“带头”的象征。

优势和局限性

本研究提出了几个创新，有助于推进QCA作为证据合成方法的使用。首先，QCA借鉴了一种理论，从试验者自己的观察中发展而来，从“基础上”，类似于扎根理论的方法。以前对系统评审结果的QCA综合，要么需要借鉴来自逻辑模型的干预理论，并综合过程评价研究[88betway]，或其他单独的深入定性证据综合[88betway］．本文的研究结果表明，在缺乏现有干预理论或预先存在的综合方法的情况下，可以使用ICA框架，从经验证据中开发工作/语用理论来支持QCA综合，而这些经验证据通常在其他综合方法中被忽略。其次，该研究表明，通过使用QCA对一组研究(即硬授权研究)进行综合而形成的干预措施如何“发挥作用”的理论，可以应用于一组概念一致的独立研究(即软授权和其他干预研究)。这种形式的三角定位可以作为系统评审中QCA分析的一个有用的辅助，有助于在未来创建更健壮的合成。第三，该研究还提供了在同一数据集上使用模糊集和清晰集编码模式的比较(硬授权研究)。虽然得到了类似的结果，再次提供了进一步的三角化程度，但在概念上，硬任务研究的模糊集编码是一个更合适的选择。这是关于结果的编码，所有的研究都获得了未接种疫苗的显著减少(尽管原始meta分析存在异质性[88betway])，以及条件，特别是在“不要进入寒冷”的情况下，在一些硬授权研究中，之前的不同程度的参与是明显的，而在软授权和其他干预模式的研究中不那么明显。第四，这是我们知道的第一个“出版物类型”被包含在分析中并且可以预测结果的例子。因此，这项工作提供了一些证据，支持一个长期以来在系统综述中被怀疑的问题:一些论文/出版物中信息的缺乏可能导致不可靠的综述结果，并可能破坏其他亚群分析[88betway］．最后，这项研究再次进一步展示了对已经以某种形式收集和合成的证据进行进一步辅助分析的潜力，以解决新问题并产生新的理解。本研究采用ICA/QCA;其他地方也提出了重新分析现有审查证据的其他技术[88betway］．考虑到每年出版的大量系统综述，每一篇都需要大量的投入，有时还会产生相互矛盾的结果或解释，进一步探究纳入的研究以提供额外的细微差别或解决原始审稿人没有考虑到的问题的技术可能会继续发展为有前途的证据合成的辅助流。

虽然这里提出的分析很重要，(i)揭示了一些足以导致成功的流感疫苗接种运动的条件，以及(ii)强调了ICA/QCA在加强我们对现有审查证据的理解方面的潜力，但应该注意到一些局限性。一个重要的限制在于该方法本身及其一致且正确地揭示复杂因果关系的能力。对于QCA在已知真实因果过程的模拟数据集中产生正确解决方案的潜力存在一些批评[88betway]，尽管其他人提供的答复不仅突出了这些批评中的缺陷，而且还强调在缺乏案例和实质性知识的情况下，无法生成和阐明质量保证机制的解决方案[88betway］．虽然我们认为使用ICA来生成理论以支持质量质量评估是该领域的有益创新;然而，我们认识到，在报告干预措施细节方面，试验报告仍然很少[88betway]，尽管我们考虑到了信件报告的稀疏性，但“数据缺失”可能是对结果的进一步警告。然而，在统计分析中有时使用类似于“完全病例”方法的策略，即只将报告存在或不存在某种情况的病例包括在分析中，这种策略在这里并不合适，并将导致无法确定可行的病例。相反，我们假设，如果一个过程或干预组件没有报告，那么它就没有发生;这一策略反映在整个系统综述文献中。文章类型的条件(用一个字母表示一份简短的经验报告)反映了一些文章类型在可以发表的细节方面受到了限制，因此一些已经发生的过程有被遗漏的风险。这不是研究质量本身的标志，而是报告质量的标志，在本案例中用于理解和解释为什么一些有效成分和过程数量较少的案例是成功的(与预期的理论相反)。将报告风格作为一种条件包含进来确实代表了一种潜在的限制，因为它需要对其他条件(解释性而非因果性)进行不同的解释。另一个潜在的限制是每个条件的案例比例相对较低，特别是硬授权模型，它产生了许多逻辑剩余，可能会破坏我们结论的合理性[88betway］．我们将所选择的条件建立在干预措施预期如何发挥作用的工作理论基础上，并根据在理想平衡情况下提出的指导原则选择条件的数量:条件[88betway]，后来进行了更彻底的调查[88betway］．马克思和杜莎的调查结果[88betway]表明，尽管在11项研究的中间数据集中，条件(4)的数量相对较高，但仍处于可接受的边缘。然而，有限的多样性和相对较高数量的未观察到的潜在配置是这个模型的一个特别的限制。［88betway最后，我们生成了Schneider和Wagemann提出的增强中间解决方案[88betway]，并遵循duya制定的程序[88betway]，对逻辑余数的处理在文献中有些争议和未解决[88betway，88betway］．因此，尽管有些人已经提出越来越多的共识支持中间解决方案的优先次序[88betway，88betway，这可能是对这些结果的最后警告。然而，由于QCA要求解决方案与在所有相关情况下都可识别的方案理论一致，在某些方面，它可以被视为比统计分析有更高的实现可信解释的标准。在统计分析中，偏差案例可能会增加方差/扩大置信区间，但当这种情况发生时，会被认为是“有解释的”。在QCA中，偏离的情况表明还没有找到正确解释正在发生的事情的可信解决方案，因此需要进一步分析。因此，考虑到我们在几个独立的研究研究中发现了一致的关联模式，并且每个案例的细节都与我们的“前沿领先”理论一致，这些发现的可信度得到了加强。

无论何种干预措施，一种“从前线领导”的实施方法，结合了机构知识、教育、双向参与的机会和强有力的领导支持，将可能提高HCW流感疫苗接种运动的成功。虽然研究结果涉及流感疫苗接种和HCW人群，但对本文确定的有效干预策略的细致理解可能有助于为HCW人群和普通公众接种COVID-19疫苗的紧急努力。

本研究分析的所有数据均可在已发表的研究中获得。附加文件1包含提取到用于执行分析的数据表中的信息。

HCW:

医疗工作者

ICA:

干预的成分分析

QCA:

定性比较分析

RRunvac:

未接种疫苗的风险比

本文最初是伦敦大学学院全球参与基金资助的一个小项目的一部分，该项目旨在“提高我们对干预措施如何在大洋洲“发挥作用的理解”，并建立在为伦敦/约克NIHR政策研究计划审查设施进行的审查和方法学工作的基础上。我们非常感谢拉特罗布大学的Cath Chamberlain副教授对我们的支持，他使这个项目成为可能，也感谢在墨尔本(拉特罗布)和阿德莱德举行的QCA研讨会上参与者的投入。最后，本研究对Theodore Lytras及其同事(2016)和Theo Lorenc及其同事(2017)之前的工作进行了重新分析。如果没有两个作者团队的辛勤工作，本研究不可能进行，他们在本研究之前进行了工作，并促进了该文献的重新分析。然而，Lyras或Lorenc团队都没有参与这里报道的研究，表达的观点和结果是作者的观点和结果，而不一定是Lytras或Lorenc作者团队、NHS、NIHR、卫生和社会保障部或其合作伙伴的观点和结果。DK还报告说，该报告是由ARC North Thames国家健康研究所支持的独立研究。

这项工作没有直接的资金提供，它产生于我们上面承认的一些项目的工作。

作者和联系

1. 英国伦敦大学学院伦敦大学学院教育学院社会研究所eppi中心

   凯蒂·萨克里夫，迪伦·奈勒和詹姆斯·托马斯

贡献

所有的作者都对工作的概念和设计做出了实质性的贡献。该分析由KS和DK进行。手稿由KS和DK起草，JT进行了大量修改。所有作者已阅读并认可最终稿。

相应的作者

对应到凯蒂拍摄的．

伦理批准和同意参与

不适用。

同意出版

不适用。

相互竞争的利益

作者声明他们没有竞争利益。

出版商的注意

施biwei体育官网app下载普林格自然对出版的地图和机构附属的管辖权要求保持中立。

开放获取本文遵循创作共用署名4.0国际许可协议(Creative Commons Attribution 4.0 International License)，该协议允许在任何媒体或格式中使用、分享、改编、分发和复制，只要您给予原作者和来源适当的署名，提供创作共用许可协议的链接，并说明是否有更改。本文中的图片或其他第三方材料包含在文章的创作共用许可中，除非在材料的信用额度中另有说明。如果材料不包含在文章的创作共用许可中，并且您的预期用途不被法律法规允许或超出了允许的用途，您将需要直接从版权所有者那里获得许可。欲查看此许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/．创作共用公共领域奉献放弃书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据，除非在数据的信用额度中另有说明。

再版和权限