“正面领导”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)对系统回顾证据的再分析

背景

广泛建议医务工作者接种季节性流感疫苗，以保护工作人员和患者。以前的一项系统综述审查了鼓励接种的干预措施，发现硬性规定(如因未接种疫苗而失去工作)比软规定(如签署拒绝接种表)或其他干预措施(如激励措施)更有效。尽管有这些总体模式，但该综述的作者得出的结论是，“实质性的异质性”仍然需要进一步分析。本文使用干预成分分析(ICA)和定性比较分析(QCA)重新分析了证据，以检验用于实施干预的策略是否解释了剩余异质性。

方法

我们使用ICA来提取实施特征和试验人员对他们评估的干预成功的基础的思考。ICA的发现为两项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审查了硬性要求研究。分析2审查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”执行硬任务的重要性。这有四个关键特征:在实施前提供教育;双向接触，以便在实施前卫生机构能够表达关切;以前使用过其他策略，以使机构“不冷不热”地执行硬性任务;以及来自机构领导层的支持。QCA揭示了两种配置中的任何一种都与硬命令的更大成功相关。第一种是双向接触、领导支持和“不冷不热”的方法。第二点涉及到领导力支持、教育和“不冷不热”的方法。在分析2中重新应用“正面引导”理论，揭示了类似的模式。

结论

无论干预类型如何，“正面领导”的实施方法都可能提高干预的成功率。虽然结果与卫生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产生可怕的后果，特别是对儿童、老年人和先前就有健康问题的人等弱势群体[1］．疫情暴发还可能对卫生服务造成重大压力[2］．卫生署鼓励直接照顾病人的医护人员接种流感疫苗[3.］．虽然有证据表明流感疫苗安全有效，可降低患者死亡率[4一个关键的挑战是疫苗摄取不足。在2018-2019赛季，英格兰70%的一线HCWs接种了疫苗，同比有所增加，但仍未达到75%的国家目标[3.］．近年来，对疫苗的犹豫有所增加[5，6]而COVID-19大流行凸显了了解如何应对这一问题的紧迫性[7]，以确保他们的福祉，以及确保提供安全、高效和有效的医疗服务[8］．

目前对增加吸收的干预措施的理解和证据的差距

全面系统检讨[9]，最近才更新[10]的研究发现，鼓励接种疫苗的各种干预措施可以提高HCW的疫苗接种率。该审查审查了自愿规划(如激励措施、媒体宣传或教育规划)和强制为HCWs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，在所研究的干预策略中，诸如因未接种疫苗而失业等“硬性”规定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)。随后是“软”授权，包括要求接种疫苗，并采取措施，如要求工作人员签署退诊表，以及其他自愿干预措施，如增加获得机会(即使工作人员更容易接受疫苗接种)(RRunvac = 0.64, 95% CI: 0.45-0.92)和提高认识(例如通过媒体宣传)(RRunvac = 0.83, 95% CI: 0.71-0.97)。激励措施的汇总结果未达到统计显著性(RRunvac = 0.89, 95% CI: 0.77-1.03)，教育干预措施的汇总结果未显示有效果的证据(RRunvac = 0.96, 95% CI: 0.84-1.10)。

虽然这些关于广泛类别内干预措施综合效果的发现是了解如何最好地解决HCW疫苗接种问题的有用步骤，但缺乏关于具体实施什么和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”([9p.66)并承认这可能是由于若干因素造成的，包括:所研究的HCW种群;临床环境;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”的确切性质有很大差异;一些要求未接种疫苗的HCW使用口罩，而另一些则禁止患者接触，还有一些导致终止雇佣。

由于缺乏关于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[11，12］．此外，对使用硬性要求的伦理担忧可能会阻碍对该审查结果的接受，这表明有必要对此类策略进行更全面的理解[13］．

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”干预理论的有效性。然而，由于并非所有的硬授权(或软授权)干预都取得了类似的成功率，我们需要超越公开干预理论，关注“实地”实施和背景。

本研究的总体目标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策略。此外，通过探索疫苗接种策略如何发挥作用，我们希望提供一些见解，可能有助于全球开展COVID-19疫苗接种运动。

该项目的目的是使用另一种分析技术-定性比较分析(QCA)重新分析试验[14，15，16］．QCA -最初由政治学领域的Charles C. Ragin开发[17] -最近已用于系统检讨[18，19］．当用于系统评价时，该技术试图揭示与给定结果相关的干预和上下文特征的关键组合;潜在的因果机制是从特征和结果的结合观察中推断出来的。QCA是一种“案例”而不是面向“变量”的方法。在QCA术语中，“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。以“案例”为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必要和充分条件;例如，这种分析是基于有效案例集(即一组)与无效案例集的特征比较。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 [20.]，许多QCA在证据合成中的应用采用了适合于检查复杂因果关系的溯因方法[21］．与元分析的演绎方法不同，在荟萃分析中，假设是提出的，然后进行检验，溯因方法是从观察到的结果(在这种情况下是疫苗接种率)开始，然后向后追溯，以确定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貌似合理的解释，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，分析是有理论支撑的。隐含地，QCA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。在系统评价的情况下，作为QCA基础的数据集是由审查员根据在实施干预期间发生的过程的观察和报告构建的数据集。然而，鉴于对干预措施实施情况的报告是否充分是文献中普遍关注的问题[12，22]，这可能会使缺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在系统评价中的应用假定，在未报告干预过程或干预成分的情况下，干预过程或干预成分确实不存在[18，23］．然而，为了更全面地了解在干预过程中确实发生的过程，我们利用干预成分分析(ICA)。

ICA是一种方法方法，旨在弥合干预有效性证据与干预实际实施之间的差距[24］．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“实地”发挥作用的非正式反思，对干预机制产生“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)，讨论试验者的感受导致干预成功或抑制干预成功的因素。尽管利用这类非正式数据有潜在的限制，但ICA提供了一个系统的过程，通过这个过程，可以对干预机制进行基于经验的理论解释。然后，这些解释可以使用更正式的分析技术(如QCA)进行测试。此外，鉴于(太多)许多结果评估未能伴随着过程评估，而过程评估可以提供更丰富的干预机制数据和干预方案的保真度，ICA提供了一个替代框架，用于整合干预过程和组件的额外数据。ICA和QCA在之前的项目中配对，成功地确定了关键的干预机制[25］．

该研究涉及对Lytras等人2016年综述中纳入的试验的重新分析[9]和来自Lorenc等人的2018年更新[10］．由于分析仅涉及已在公共领域发表的数据，因此未获得伦理批准。虽然正在制定QCA研究指南，但没有系统评价再分析的报告指南[26我们力求提供一份详细而透明的工作说明，以便可以复制。

基于Lorenc等人的工作[27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，区分更成功和不太成功的硬授权干预措施的机制与区分更成功的软授权和其他干预措施与不太成功的机制不同。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探讨了软授权干预措施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:选择病例并确定结果集

在分析1中，我们选择了所有8个硬性要求案例[28，29，30.，31，32，33，34]包含在原始综述中[9[注:Ksienski 2014年的研究评估了两个硬性要求案例]，另外三个硬性要求案例[35，36，37]在更新[10］．对于分析2，非硬性要求案例的数量要大得多(审查中有45个案例，更新中有12个案例)，因此我们能够有目的地选择结果变化最大的案例，即10个最有效的非硬性要求案例[38，39，40，41，42，43，44，45]和10种效果最差的方法[46，47，48，49，50，51，52］．(注:共6篇论文报告了10个效果最差的软授权/其他案例;Dey et al. 2001, Doratotaj et al. 2008和Zimmerman et al. 2009的三篇论文中各报道了两例。)通过排除中等有效的非硬性要求案例，我们过滤掉了可能掩盖最有效和最不有效之间差异的“噪音”。根据Lytras最初的综述，根据干预后未接种疫苗的相对风险(RRunvac)确定有效性;RRunvac值< 1表明该干预措施可有效减少未接种疫苗的HCWs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，或者是一组“最有效”案例的完整成员。我们根据案例的RRunvac值对它们进行了排名;最有效集合中的10的值范围为0.06到0.59，最不有效集合中的10的值范围为0.95到0.99。由于我们在分析1中包括了全部范围的结果(即我们没有像在分析2中那样排除中等有效的病例)，我们创建了模糊结果集，其中研究可以是集合的部分成员。 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识别条件并构建数据表

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了11个硬任务案例的论文，以对分析1产生深入的了解。在熟悉练习之后，两名作者(KS和DK)独立提取了关于硬性要求干预的性质的信息，以创建一个数据表，其中以行表示案例，以列表示条件(参见支持信息-附加文件)1)。最初的工作集中在作者提供的干预描述上——例如，我们捕获了关于硬性任务性质的数据，例如它是否会导致失业，是否存在不识别的污名化标记，以及是否有任何“衰落”程序特别繁重。然而，仅将我们的数据收集限制在干预描述上，对于识别区分最成功和最不成功的干预措施的特征是无效的。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分析代码作者对成功的促进因素或障碍因素的看法。ICA揭示了被作者通常描述为硬任务干预措施成功的基础的四个执行特征:教育(报告有5个案例)，例如在任务执行之前提供信息会议;双向参与(报告2例)，即卫生工作者提出关切的机会;“不要感冒”(报告5例)，即前几年鼓励接种疫苗的努力;领导支持(6例报告)，即参与和认可的高级领导人在机构。表格1，下面提供了作者关于这些实现特性的重要性的示例语句[53］．然后，我们对每个情况进行编码，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”，而没有报告的条件则被假设为不存在并编码为“0”。在进行下一阶段的QCA分析之前，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出现时)和条件的罕见性。

我们回到理论文献中，看看反映我们新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”的领导方法，其关键支撑原则是组织应该以“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、建模和领导承诺[54］．

分析2采取了相同的步骤;然而，由于我们假设非硬性任务研究将基于不同的机制，因此我们最初没有提取ICA中为分析1确定的相同条件。分析2的初始工作基于“黑暗逻辑”方法[55］．由于非硬性授权干预措施被发现远不如硬性授权干预措施有效，我们考虑是否可以确定破坏该方法的有害或无效机制。然而，这个分析性的计划没有结果。因此，我们决定看看同样的条件和“正面领导”理论是否也可以解释软指令和其他干预措施之间结果的差异。

在进行QCA时，一个需要关注的问题是，案例与条件的比例不平衡可能会导致有限的多样性问题，即我们没有观察到许多潜在的条件配置，并且我们有可能为每个案例创建一个单独的描述，而不是基于模式的规律性的解释。为包含11个案例的硬任务初始模式选择四个条件是基于对关键执行过程的理论假设以及案例:条件的理想比率的指导。硬性任务模型的比率与常见做法和早期指南一致，该指南表明，对于10至40个案例的“中间N”分析，有4至7个条件可以提供案例的平衡:条件[53］．后来的实证分析表明，我们选择的案例:条件比例在明确设定的硬命令模型中处于可接受的边缘[56]，尽管我们承认关于案例:条件的理想平衡的问题仍然是一个有争议的问题，将在本文后面讨论。

QCA阶段2:构造真值表

在QCA阶段2中，建立了QCA的关键分析装置真值表。真值表将焦点从单个案例转移到具有相同结果的“结果集”(如上所述)的案例组，从单个条件转移到具有导致特定结果的特定组合或条件“配置”的研究集。用于分析的真值表12)和2(表4)，详情如下。

QCA阶段3:检查真值表的质量

每个真值表的第一个检查涉及评估配置和结果集之间的一致关联模式的明显程度。例如，如果所有涉及理论中所有四个条件(教育、双向参与、“不要冷”方法和领导支持)的案例都完全属于成功结果集的一部分，而不属于不成功结果集的案例，那么在真值表的这一行中，就会显示出完美的一致性得分，用“1”表示。相反，如果上述四种情况都不存在的所有情况也是不成功结果集中的所有情况，这也会显示出完美的一致性，并用“0”表示。某种程度的不一致性是允许的，甚至是预期的模糊集QCA(我们的一致性得分设置为0.85)-但关联模式应该是明显的，不一致性是潜在的偏差案例;对于crisp-set QCA，一致性分数期望尽可能接近1(完美一致性)[56]在这里，考虑到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，即配置是否被多种情况所支持。预期会有几种路径达到给定的结果，因此任何给定配置提供的覆盖范围可能只是一种或少数情况。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，并降低了结果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。拥有一系列可能配置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[57] -条件配置值高于0.5而结果值低于0.5的情况(不一致);(ii)检验违反直觉的发现——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相关——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，我们对上述每个检查都找到了令人满意的结果。

QCA阶段4:布尔最小化以识别配置的简化表达式

我们使用布尔极小化来识别构型的简化表达式，在逻辑余数处理的基础上对布尔极小化进行了修改(参见阶段5)。简化构型的目的是尽可能多地覆盖成功结果集中的案例，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”(也称为复杂解，即最长，最不吝啬的解)，其中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5阶段:考虑“逻辑余数”

在这一阶段，没有可用案例的可能配置(称为逻辑余数)被用来帮助生成简化的QCA解决方案(称为“简约解决方案”)。软件(由duya(2019)开发的R包)[57]被用来推断逻辑余数的结果，这些信息在QCA解决方案中被考虑，最初生成了所谓的简约解决方案。“简约的解决方案”涉及到使用一种算法来将结果或非结果分配给剩余的配置，以使简约最大化。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对不同组件影响的假设(所有假设都对产生成功的结果有积极影响)。此外，我们实现了duya(2019)开发的一种算法，以去除无法成立和矛盾的逻辑余数，否则可以用于生成解决方案，生成“增强中间解决方案”[58］．这个解代表了我们的首选解，并且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。

硬性要求研究

QCA揭示了“正面领导”理论似乎解释了为什么一些硬命令干预比其他干预更成功。作为真理表(表2)下面，基于模糊集数据，说明了16种可能配置中的5种情况。该表表明，与所有四种情况的配置和疫苗摄取水平最高的病例之间的关系完全一致(上一行)。在较高的疫苗接种率和干预中没有教育的配置之间也有完美的一致性，但其他三种情况都存在——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接触的情况下配置的成功结果的高度一致性(0.855)，但存在其他三个条件(第3行，第2个案例)。最后两行说明了与不成功结果相关的配置之间的关系。在三个主要不成功的案例和一个部分成功的案例中发现了一个没有感兴趣的干预组件的配置，而在一个主要不成功的案例中发现了一个有两个组件的配置。我们还强调，所有的研究都在统计上显著降低了HCWs未接种疫苗的风险，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。

布尔极小化，以及生成增强的中间解决方案确定了一个模型，该模型包含两种简化的硬指令执行途径，可导致更大的疫苗接种接种率，如表所示3.在下面。第一种是双向接触、领导支持和“不冷不热”的方法。第二点涉及到领导力支持、教育和“不冷不热”的方法。因此，包含组件和流程的任何一种配置的干预都足以产生成功的结果。由于这两种途径都包含领导支持和“不采取冷漠态度”，我们可以推断，这两个条件是引发积极结果的必要条件，但不是充分条件，第三个条件也是必要的。这两种配置都涵盖了结果的大多数实例，关键是它们包含了所有被确定为“成功”结果集的完整成员的研究。

软授权/其他研究(n= 20例)

以下真相表(表4)给出了与“从前开始”理论相同的四个条件，外加一个“仅限字母”的附加条件。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。有可能还有其他条件或环境因素可以解释他们的成功。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(即比标准文章短得多)，尽管包含经验信息;特别是，它们的讨论部分有限，通常在讨论部分报告关键信息，例如关于强有力的领导支持的影响。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“仅限信件”(或研究文章)，并将其纳入模型，同样的模式开始出现。

例如，真相表清楚地表明，除最下面六行中效率最低的一项配置外，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(除了两个仅通过信件进行的案例)都涉及到领导的支持。同样，除了一个被确定为有成功结果的案例之外，所有的案例在干预前都有证据表明活动正在实施;唯一没有的是一封信。

布尔最小化，以及生成增强的中间解决方案确定了一个模型，该模型包含软授权和其他干预实施的三个简化途径，导致更大的疫苗接种接种率，如表所示5以上。这些反映了硬任务解决方案中的要素，前两种途径表明，“领导支持”和“不冷不热”的结合是必要的，但不足以引发积极的结果。在第一条路径中，教育的附加条件是配置的一部分，这条路径中的七项研究代表了信件和研究文章的混合。除了“从字体开始”和“不要冷”之外，第二种途径还包括一种很难在字母中捕捉到的情况——双向参与——不出所料，支持这一途径的五个案例都在完整的研究文章中报道过。第三个配置涉及两项研究，仅以信件形式报告，附加条件表示缺乏报告的领导支持和教育。第三种途径包括两项研究，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“不冷不热”。该QCA模型中的数据是crisp-set的，这便于识别覆盖分数为1的结果(覆盖值为1)的所有实例。

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。通过与早期分析相同的程序，产生了一个增强的中间解决方案，再次强调了“正面领导”、“不冷不热”和“双向参与”三个条件组合的重要性，这足以产生成功的干预(表2)6)。

进一步检查表中表示的解决方案3.，5而且6被进行。这些结果表明，这些解也不会引发结果的否定(由于因果不对称，在QCA中存在这种可能性)，并且使用Dusa(2019)开发的算法生成的增强中间解确保了无法成立的简化假设不包括在推导我们的首选解中。

上述研究结果表明，“从前领导”而不是“自上而下”的方法可以提高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。这些发现尤其引人注目，因为“前线领导逻辑”似乎在某种程度上与公开干预逻辑形成对比，硬性命令是“大棒”或制裁，以强制执行疫苗接种运动。通过揭示这种对硬性要求方法的更微妙的看法，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的理解，长期来看，硬性授权办法可能会失效。考虑到疫苗犹豫和COVID-19这两个全球关切，我们还可以预计，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意义。

COVID-19大流行以及各国正在大规模开展针对SARS-CoV-2病毒的hcw疫苗接种工作，使为hcw疫苗接种预防传染病的战略变得更加突出。为卫生工作者接种疫苗的运动取得成功至关重要，因为这是减少病毒传播给易受感染病人的一种手段，也是保护卫生工作者的一种手段，因为他们的接触机会增加了。然而，由于HCWs对一般人群接种疫苗的决定有影响，HCWs接种疫苗的成功也可能对疫苗接种的接受产生更广泛的影响[59］．这里强调的组成部分表明，在卫生工作者中成功开展疫苗接种运动取决于复杂的条件，包括“不要冷去”、“双向接触”和“正面领导”。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，这些情况也可能具有一些突出意义。例如，在撰写本文时(2021年10月)，英国是所有大国中死亡率最高的国家之一[60]，对一般人群不遵守大流行控制措施提出的解释与这里确定的情况有相似之处。例如，英国首相特别顾问多米尼克·卡明斯高调违反居家隔离和保持社交距离的规定，随后英国内阁成员为他的行为进行了辩护，这被认为是由于民众对这些规定的遵守程度下降[61]并对违反公共卫生条例在总理官邸举行的聚会所产生的影响也有类似的关切[62];以及英国伊玛目为应对英国穆斯林人口中的疫苗犹豫所做的努力[63都可以被视为“正面领导”的象征。

优势和局限性

本研究提出了几项创新，有助于推进QCA作为证据合成方法的使用。首先，QCA借鉴了从试验主义者自己的观察中发展出来的理论，从“基础”出发，类似于一个扎根理论方法。以前对系统评价结果的QCA综合，要么需要利用源自逻辑模型的干预理论，并综合过程评价研究[64]，或其他单独的深入定性证据综合[19］．这里的研究结果表明，在缺乏现有干预理论或现有综合的情况下，可以使用ICA框架，从其他综合方法中通常被忽视的经验证据中开发工作/实用主义理论来支持QCA综合。其次，这项研究表明，通过使用QCA综合一组研究(即硬强制研究)而形成的干预措施如何“起作用”的理论，可以应用于概念上一致的一组独立研究(即软强制和其他干预研究)。这种形式的三角测量可以代表系统评价中QCA分析的有用辅助，有助于在未来创建更可靠的综合。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之间的比较(硬任务研究)。虽然获得了类似的结果，再次提供了进一步的三角测量，但在概念上，硬任务研究的模糊集编码是更合适的选择。这是关于结果的编码，其中所有研究都获得了未接种疫苗的显著减少(尽管原始荟萃分析存在异质性[9])，以及条件，特别是在“不要冷”的情况下，在一些硬授权研究中，不同程度的前期参与是明显的，而在软授权和其他干预模式的研究中则不那么明显。第四，这是我们所知道的第一个“出版类型”被包括在分析中并预测结果的例子。因此，这项工作为长期以来在系统综述中被怀疑的一个问题提供了一些证据:一些论文/出版物中缺乏信息可能导致不可靠的综述结果，并可能破坏其他亚组分析[22］．最后，这项研究再次进一步证明了对已经以某种形式收集和综合的证据进行进一步辅助分析的潜力，以解决新的问题并产生新的理解。本研究采用ICA/QCA;其他地方也提出了对现有审查证据进行再分析的其他技术[65］．考虑到每年发表的大量系统综述，每一篇综述都需要大量的投资，有时会产生相互矛盾的结果或解释，进一步探讨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辅助证据合成流。

虽然这里提出的分析很重要，但(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ICA/QCA在增强我们对现有审查证据的理解方面的潜力，但应注意一些局限性。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[66]，尽管其他人提供的回答不仅强调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QCA解决方案[67］．虽然我们认为使用ICA生成理论来支持QCA是该领域的有用创新;然而，我们认识到，在报告干预细节方面，试验报告仍然很少[12，尽管我们考虑到了信件报告的稀疏性，但“缺失数据”可能是对结果的进一步警告。然而，在统计分析中有时使用的类似于“完整案例”方法的策略，即只将报告存在或不存在某一病症的案例纳入分析，在这里不适合，也不会导致识别出任何可行的案例。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;这是贯穿整个系统回顾文献的策略。文章类型的包含条件(用一个字母表示一个简短的经验报告)反映了一些文章类型在可以发表的细节上受到限制，这样一些确实发生的过程就有可能不被报道。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，它被用于理解和解释为什么一些活跃成分和过程数量较少的案例是成功的(与预期的理论相反)。将报告风格作为一个条件确实代表了一个潜在的限制，因为它需要与其他条件不同的解释(解释性而非因果性)。另一个潜在的限制是每种条件的案例比例相对较低，特别是对于硬性要求模型，这产生了许多逻辑余数，可能会破坏我们结论的合理性[56］．我们根据预期干预如何起作用的工作理论来选择条件，并根据针对案例理想平衡提出的指导来选择条件的数量:条件[53]，后来对此进行了更彻底的调查[56］．马克思和杜莎的调查结果[56]表明，虽然条件(4)的数量对于11项研究的中间数据集来说相对较高，但它仍然处于可接受的边缘。然而，有限的多样性和相对较高的未观察到的潜在配置是这个模型的一个特别的限制。［53最后，我们生成了Schneider和Wagemann提出的一种增强的中间解决方案[58]，并遵循duya制定的程序[57]，对逻辑余数的处理在文献中有些争议和未解决[68，69］．因此，尽管一些人提出越来越多的共识支持中间解决方案的优先次序[70，71，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规划理论一致，在某些方面，它可以被视为比统计分析有更高的标准来实现可信的解释。在统计分析中，异常情况可能会增加方差/扩大置信区间，但当这种情况发生时，被认为是“已解释”的。在QCA中，异常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，鉴于我们在几个独立的研究中发现了一致的关联模式，而且每个案例的细节都与我们的“正面领导”理论一致，这些发现的可信度得到了加强。

无论采取何种干预措施，一种“正面领导”的实施方法，包括在机构知识、教育、双向参与机会和强有力的领导支持的基础上进行建设，都有可能提高HCW流感疫苗接种运动的成功。虽然这些结果涉及流感疫苗接种和HCW人群，但对这里确定的有效干预策略的细微理解可能有助于为HCW人群和普通公众接种疫苗以预防COVID-19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

本文最初是由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政策研究项目审查设施进行的审查和方法工作的基础上。我们非常感谢拉特罗布大学副教授Cath Chamberlain的支持，他使这个项目成为可能，以及在墨尔本(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。如果没有两位作者团队的辛勤工作，这项研究不可能进行，他们在这项研究之前进行了工作，并促进了对这篇文献的重新分析。然而，Lyras或Lorenc团队都没有参与此处报道的研究，所表达的观点和结果仅代表作者的观点和结果，并不一定代表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，该报告是由国家健康研究所北泰晤士ARC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。

作者及隶属关系

1. eppi中心，社会研究所，伦敦大学学院教育学院，伦敦，英国

   Katy Sutcliffe, Dylan Kneale和James Thomas

贡献

所有作者都对作品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。所有作者均已阅读并批准最终稿。

相应的作者

对应到凯蒂拍摄的．

伦理批准并同意参与

不适用。

发表同意书

不适用。

相互竞争的利益

作者宣称他们之间没有利益冲突。

出版商的注意

亚博最新娱乐网施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。

开放获取本文遵循知识共享署名4.0国际许可协议，允许以任何媒介或格式使用、分享、改编、分发和复制，只要您对原作者和来源给予适当的署名，提供知识共享许可协议的链接，并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可协议中，除非在材料的信用额度中另有说明。如果材料未包含在文章的创作共用许可协议中，并且您的预期使用不被法定法规所允许或超出了允许的使用范围，您将需要直接获得版权所有者的许可。如欲查看本牌照的副本，请浏览http://creativecommons.org/licenses/by/4.0/．创作共用公共领域奉献弃权书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本条所提供的资料，除非在资料的信用额度中另有说明。

转载及权限