《Vaccine》：Active surveillance methods to identify adverse events of special interest (AESIs) following vaccination against pandemic diseases: A scoping review
编辑推荐：
本综述系统梳理了监测流感与COVID-19疫苗安全性的主动研究方法学进展，涵盖信号检测、验证与确认三个阶段，总结了全球427项研究在数据来源、研究设计及AESI类型等方面的分布特点，并指出其在低收入和中等收入国家（LMIC）应用的潜力与挑战。
引言
疫苗接种是控制传染病最有效的公共卫生干预措施之一。然而，在大流行期间，疫苗的快速研发与紧急使用授权（EUA）使得上市后安全监测至关重要。主动监测作为一种系统性、前瞻性的方法，对于及时发现疫苗接种后罕见的需特别关注的不良事件（AESI）至关重要。本文旨在系统综述用于识别大流行性疾病（主要为流感和COVID-19）疫苗接种后AESI的主动监测方法。
研究方法
本研究遵循PRISMA-ScR指南，系统检索了PubMed、Embase、Web of Science、Scopus等多个数据库截至2025年4月30日的文献。纳入标准为旨在识别世卫组织（WHO）定义的大流行病原体疫苗接种后AESI的原始研究，最终纳入427项研究。数据提取涵盖研究特征、方法学（研究设计、数据分析、数据来源、数据关联、人工智能应用）和结果（AESI类型、测量指标等）。
全球研究分布特点
纳入的研究中，大多数发表于2020年后（74.0%），且主要关注COVID-19疫苗（69.3%），其中mRNA疫苗研究占51.3%。研究活动高度集中在高收入国家，北美（特别是美国）贡献了最多的研究，而非洲和南美洲的相关研究非常有限。超过三分之二的国家没有发表过此类研究。
数据来源与信号检测
在信号检测方面，近四分之三的研究采用回顾性设计，最常用的数据来源是登记系统和电子健康记录（EHR）（合计占46.5%）。其他来源包括行政数据库、保险索赔数据库等。约半数研究（49.6%）链接了多个数据源以提高数据完整性。前瞻性数据收集则主要通过问卷调查、访谈和前瞻性临床研究数据库进行。仅有少数研究（2.7%）利用了人工智能（AI）或自然语言处理（NLP）技术进行信号检测。
研究设计与分析方法
在研究方法上，队列设计最为普遍（40.5%），其中大部分为回顾性队列。自控病例系列（SCCS）和自控风险区间（SCRI）设计是常用的疫苗安全性研究方法。此外，观察期/预期值（O/E）研究、背景率研究等也有应用。约半数研究进行了结果验证（45.9%）。
关注的AESI类型
研究的AESI涉及多个系统。神经系统和心脏事件是最常被调查的两大类，分别占研究数的21.8%和21.3%。其中，吉兰-巴雷综合征（GBS）和心肌炎分别是这两个系统中最受关注的AESI。此外，免疫系统（如过敏反应）、血液系统（如血栓/血栓栓塞）、以及孕产妇和新生儿结局也得到了大量研究。
信号验证与结果测量
结果测量最常依赖于诊断代码（如ICD-9、ICD-10、SNOMED）。约十分之一的研究应用了标准化病例定义，其中绝大部分使用的是布莱顿协作组（Brighton Collaboration）标准。这有助于在不同研究中统一AESI的判定，但该标准在高收入国家以外的应用非常罕见。前瞻性研究则更多通过临床诊断、实验室或影像学检查来确认AESI。
讨论：机遇与挑战
近年来，尤其是在COVID-19大流行后，针对AESI的主动监测研究显著增加。然而，全球分布极不均衡，绝大多数研究资源集中在北美和欧洲的高收入国家，这可能导致对特定疫苗平台（如mRNA疫苗）和AESI的关注偏差。对于在中低收入国家引入主动监测方法，仍需克服数据基础设施不足、人力资源有限和缺乏标准化病例定义等挑战。
结论
总而言之，针对大流行性疾病疫苗接种后AESI的主动监测活动已显著增加，但全球分布不均。方法学上涵盖了从传统数据源到人工智能技术的广泛策略。未来的努力方向应关注如何在资源有限的环境中实施有效且可行的主动监测，并促进全球疫苗安全监测的公平性。
