疫苗错误信息与流感疫苗接种率的关联:基于中国浙江省中断时间序列研究的论文
Associations between vaccine misinformation and influenza vaccine uptake: a population-based interrupted time-series study in China
作者团队基于浙江省2020年1月至2025年4月流感疫苗接种数据,识别出2022年9月至2022年12月期间与疫苗相关的错误信息事件(Sinovac Vaccine Rumours)和2024年8月期间的事件(Pasteur Influenza Vaccine Incident)。
原文明确指出关联性质为主题与时空的准实验分析,读者可据此区分关联与因果结论。
译文尚不完整,完整内容请切换到原文。
引言
疫苗接种仍然是控制传染病公共卫生工作的基石。然而,错误信息的蔓延已成为维持疫苗接种覆盖率的关键障碍。算法驱动的社会媒体平台放大了与疫苗相关的错误信息,造成了“数字野火”效应,扭曲了关于疫苗安全性和有效性的科学证据1,2,3。根据世界卫生组织(WHO)的数据,误导性的疫苗信息已导致100多个国家儿童免疫覆盖率下降,并伴随麻疹和脊髓灰质炎在全球范围内的卷土重来4。这些发展表明,错误信息已从沟通问题演变为一种具有可测量后果的人群层面行为威胁,即“信息流行病”5。
越来越多的研究探讨了与COVID-19疫苗相关的错误信息及其与疫苗犹豫或疫苗接种意愿之间的关系6,7,8,9,10,11,12。除了COVID-19疫苗,错误信息和疫苗相关的媒体报道还与包括HPV和流感在内的其他疫苗接受度降低有关13,14,15。一些生态学研究进一步表明,在线错误信息或社交媒体活动可能与较低的人群层面疫苗接种覆盖率或较慢的疫苗普及有关8,13。然而,大多数现有研究依赖于小规模观察性和实验性设计,侧重于接种意愿而非实际接种行为6,10,11,16。来自非COVID-19场景的证据仍然特别缺乏,错误信息(尤其是其主题内容和时间模式)与真实世界接种行为之间的时间关联仍知之甚少。
流感疫苗接种是预防由流感引起导致住院或死亡的重症的重要策略,尤其在老年人中更为关键17。然而,在中国,老年人的流感疫苗接种率仍然不尽人意;一项近期的系统评价和荟萃分析估计,中国大陆60岁及以上成人的季节性流感疫苗接种率合并估计值为17%,在没有免费接种政策地区的接种率低至7%18。这种低且依赖政策的接种率反映了自费接种和地方资助的免费接种项目并存的现状,在不同地区造成了异质性的接种环境。在这一庞大且多样的接种环境中,当疫苗相关的错误信息在疫苗接种活动期间传播时,对流感疫苗接种的信心可能尤为脆弱,这为研究错误信息如何与真实世界的接种行为互动提供了重要的场景。
在这项研究中,我们整合了浙江省(中国东部一个社会经济发达地区,自2020年起实施由政府出资为老年人接种流感疫苗,并随时间扩展19)的全省每日流感疫苗接种记录(2020年1月至2025年4月),并结合主要社交媒体平台上识别出的错误信息事件。利用中断时间序列(ITS)和反事实建模,我们评估了在识别出的疫苗相关错误信息事件发生后,按疫苗类型、年龄组和地区划分的疫苗接种率变化。通过估算在无错误信息事件情况下的预期疫苗接种轨迹,反事实ITS建模提供了一种准实验框架,用于评估观察到的疫苗接种结果是否偏离了在既有趋势、季节性和可测量环境因素下的预期模式20,21。通过关联群体层面的行为数据与错误信息动态,本研究为疫苗相关错误信息事件与集体疫苗接种行为之间的关联提供了实证证据,为了解错误信息和疫苗接种行为在主题和时间上的模式提供了见解,并为全球更具响应性的疫苗沟通和信息流行病管理策略提供了信息。
结果
流感疫苗接种的总体模式
研究设计的概述如图 1所示。在2020年至2025年间,浙江省的流感疫苗接种表现出强烈的季节性,接种率通常在8月或9月上升,在深秋达到峰值,并在11月后下降。流感疫苗接种的总剂量从2020年的338万剂稳步增长至2024年的643万剂,年平均为470万剂。政府出资的疫苗接种在这些年份稳步上升,在2024年有显著增加(从2023年的274万剂增加到507万剂)。相比之下,自费疫苗接种从2020年的157万剂增加到2023年的241万剂,但在2024年下降至135万剂。
该框架概述了连接三个错误信息事件的分析工作流程:科兴疫苗肺部结节谣言(科兴疫苗谣言,2022年)、国药集团原总工程师纪律案件(纪律案件,2024年)和赛诺菲巴斯德流感疫苗批次召回事件(巴斯德流感疫苗事件,2024年),以及流感疫苗接种行为的变化。分析在总体接种率和两种疫苗类型上完成:政府出资的流感疫苗和自费的流感疫苗。应用中断时间序列和反事实模型来量化接种率的变化,并按疫苗类型、年龄组和地区进行主要分析和分层分析。该框架整合了主题和时间视角,以表征错误信息如何对应接种率的变化。
总体接种率的变化
ITS分析揭示了三个错误信息事件之间明显的时间模式(表 1;图 2;补充图 3)。
本图展示了在主分析中显示疫苗接种率发生统计学显著变化的两起疫苗相关错误信息事件。圆点表示在模型中剔除季节性、自相关和脉冲项后,观测到的疫苗接种率(每 100,000 居民)的对数值。面板(a)和(b)分别描绘了科兴疫苗肺结节谣言事件和赛诺菲巴斯德流感疫苗批次召回事件期间疫苗接种的总趋势。面板(c)和(d)显示了上述相应事件按疫苗类型(政府出资和个人自费)分层后的趋势。实线表示拟合的回归趋势,虚线表示在没有错误信息的情况下预测的基线趋势。
在科兴疫苗谣言期间(2022 年 9 月至 12 月),事件前的疫苗接种率每周增加 4.8%(b₁ = 0.047,P = 0.009)。估计趋势在过渡期转变为每周减少 3.5%,但此斜率相对于事件前趋势的变化无统计学意义(b1 + b₃ = −0.036;b₃ = −0.083,P = 0.203)。过渡期结束后,每周趋势从事件前的 4.8% 增加幅度减弱至 1.8% 增加幅度,代表斜率的统计学显著降低(b1 + b5 = 0.018;b5 = −0.029,P = 0.046)。傅里叶项(季节性 2:b = 0.976,P = 0.007;季节性 3:b = 0.696,P < 0.001)和滞后项(b = 0.614,P < 0.001)确认每周疫苗接种率存在显著的季节性和短期依赖性。
在巴斯德流感疫苗事件(2024 年 8 月)期间发生了类似的逆转。事件前疫苗接种率每周增加 7.3%(b₁ = 0.071,P = 0.003),但事件后的趋势转变为每周减少 9.0%(b1 + b₃ = −0.094;b₃ = −0.165,P < 0.001)。季节性依然强烈(季节性 1:b = −1.533,P < 0.001;季节性 2:b = 2.144,P < 0.001;季节性 3:b = 0.457,P < 0.001;季节性 4:b = −1.146,P < 0.001)。相比之下,纪律处分案件(2024 年 4 月)显示总疫苗接种率无显著变化(b₃ = −0.255,P = 0.185)。
反事实分析支持了这些发现(图 3)。对于科兴疫苗谣言和巴斯德流感疫苗事件,观测到的疫苗接种率与预测的反事实趋势存在显著偏离,随着错误信息的传播,这种差距逐渐扩大,并持续存在于疫苗接种季剩余时期。对于纪律处分案件,观测轨迹与反事实轨迹之间的差异很小且无统计学意义。
下方面板展示了 2020 年 1 月至 2025 年 4 月的总对数转换流感疫苗接种率(每 10 万人),浅绿色阴影表示年度流感疫苗接种高峰期。上方三个面板比较了三次已识别的疫苗相关虚假信息事件期间的实际(灰色)、拟合(蓝色)和反事实(橙色,95% CI 阴影)接种率:a Sinovac Vaccine Rumours of Pulmonary Nodules(Sinovac Vaccine Rumours,2022 年 9 月至 12 月),b Disciplinary Case of the Former Chief Engineer of Sinopharm(Disciplinary Case,2024 年 4 月),以及 c Sanofi Pasteur Influenza Vaccine Lot Recall Incident(Pasteur Influenza Vaccine Incident,2024 年 8 月)。
政府资助和自费接种率的变化
不同疫苗类型的模式存在差异(表 1;图 2;补充图 3–5)。对于政府资助疫苗,Sinovac Vaccine Rumours 与事件前时期相比表现出显著的下降趋势(b = −0.044, P = 0.015)。在 Pasteur Influenza Vaccine Incident 期间,检测到即时上升(b = 12.186, P < 0.001),随后事件后趋势出现下降(b = −0.172, P = 0.024)。在 Disciplinary Case 期间未观察到显著变化。
对于自费疫苗,仅 Pasteur Influenza Vaccine Incident 显示出显著下降,包括即时下降(b = −1.697, P = 0.001)和持续的下行趋势(b = −0.139, P < 0.001)。
此外,事件后的下降(Posttime 的 b)在政府资助疫苗中比在自费疫苗中更为明显,表明政府资助疫苗接种率之间存在较强的关联。
分层和区域模式
按年龄分层分析(补充表 1)显示,在 Sinovac Vaccine Rumours 期间,60 岁以下人群中的政府资助疫苗接种率显著下降(b = −0.043, P = 0.022)。在 Pasteur Influenza Vaccine Incident 期间,60 岁以下人群的总接种率(b = −0.154, P < 0.001)、政府资助(b = −0.183, P = 0.018)和自费疫苗接种率(b = −0.144, P < 0.001)均显著下降;60 岁及以上人群的总接种率(b = −0.169, P = 0.002)和政府资助疫苗接种率(b = −0.172, P = 0.013)也出现下降。在 Disciplinary Case 期间未观察到显著变化。从空间上看,衢州和舟山在 Sinovac Vaccine Rumours 期间的疫苗接种率出现了明显下降(补充表 2)。
敏感性分析
敏感性分析表明,将事件窗口前后各平移±1周并未导致与主要分析产生实质性差异(补充表3)。在排除了温度和严格性指数协变量的模型中,一些关联不再具有统计学显著性(在Sinovac Vaccine Rumours期间的总疫苗接种率方面),这凸显了在主要分析中控制潜在混杂因素的重要性(补充表4)。在日历匹配的安慰剂分析中,在前一年的相应非事件期间未观察到显著的向下事件后趋势。对于对应于Sinovac Vaccine Rumours的安慰剂期,唯一显著的事件后趋势是向上的而非向下的,并出现在总疫苗接种率(b = 0.045, P = 0.019)和政府资助疫苗接种率(b = 0.059, P = 0.006)中(补充表5)。对于未包含在主分析中的Rumours Linking COVID-19 Vaccines to Leukaemia,由于其公众舆论期较长且边界不太清晰,使用单一中断ITS模型和过渡期ITS模型的补充敏感性分析显示,总疫苗接种率和自费疫苗接种率均呈下降趋势(补充表6)。
讨论
本研究将大规模疫苗接种记录与在线错误信息时间线相结合,以考察确定的疫苗相关错误信息事件是否与浙江省流感疫苗接种行为的变化在时间上相关。我们发现,在疫苗接种季期间发生的两个疫苗安全性或有效性相关的错误信息事件后,疫苗接种趋势出现了显著的减弱或下降。具体而言,对于Sinovac Vaccine Rumours,疫苗接种率从事件前每周4.8%的增长显著减弱至事件后每周1.8%的增长。对于Pasteur Influenza Vaccine Incident,疫苗接种率从基线每周7.3%的增长变为事后的每周9.0%下降。相比之下,行政性错误信息(Disciplinary Case)未显示显著变化。政府资助的疫苗接种率似乎受到更一致的影响,在Sinovac Vaccine Rumours和Pasteur Influenza Vaccine Incident期间均观察到下降,而自费疫苗接种的显著减少主要出现在Pasteur Influenza Vaccine Incident期间。这些发现提供了群体层面的真实世界证据,表明错误信息可能与疫苗接种行为的持续变化同时发生,并提示其主题框架、时间背景和疫苗类型共同塑造了公众的反应。
三种事件呈现出的差异模式可能支持如下假设:错误信息的主题内容和强度与不同的疫苗接种反应相关。《Sinovac Vaccine Rumours》和《Pasteur Influenza Vaccine Incident》均以疫苗的安全性或有效性为核心关切,这正是在疫苗接种决策中的关键问题,尽管二者在信息类型上有所不同:前者是捏造或未经证实的谣言,而后者是一起实际的、有记录的预防性召回事件,但在线上被放大或误解为对流感疫苗有效性或安全性的更广泛担忧。尽管存在这种区别,这两个事件均与疫苗接种趋势的减弱或下降相关,这与以往研究表明,以安全性为重点的错误信息与新冠(COVID-19)和流感疫苗的犹豫态度强烈相关是一致的1,6,22,23,24。虽然《Sinovac Vaccine Rumours》涉及的是新冠而非流感疫苗,但观察到的与流感疫苗接种的关联可能反映的是更广泛的疫苗信心溢出效应,而非流感特异性的错误信息效应。先前的研究报告了新冠与流感疫苗接种行为之间的联系,暗示对一种疫苗的担忧可能推广至对疫苗安全性、生产质量及制度信任的更广泛认知25,26,27。相比之下,与行政信任相关的《Disciplinary Case》显示与疫苗接种率无显著关联,这表明并非所有疫苗相关的错误信息事件都会导致可测量的行为变化。尽管政治和文化叙事可能会影响态度9,22,28,但行政信任相关事件在现实世界中的行为后果似乎有限。综合来看,这些发现表明并非所有错误信息事件的影响程度相同,公共卫生应对措施应优先考虑快速检测以及针对安全或有效性相关错误信息事件的定向、以信任为导向的沟通策略,此类事件最有可能与现实世界中的行为变化同时发生。
时间背景似乎也在调节虚假信息事件与疫苗接种率之间的关联。赛诺菲疫苗谣言(2022年9月至12月)和巴斯德流感疫苗事件(2024年8月)发生在中国年度流感疫苗接种活动期间(通常为9月至11月),当时公众关注度处于峰值,疫苗决策也最为密集。在这些窗口期出现的虚假信息可能与疫苗接种决策联系更为紧密,因为主动寻求疫苗信息的个人更容易受到误导性说法的影响。这一模式呼应了行为科学中的“时间显著性”原则,即在决策时刻附近遇到的虚假信息更有可能与持续性变化相关联29,30。与此模式一致,本研究发现在虚假信息事件之后,疫苗接种率出现了持续性下降。以往研究也类似地报告称,在接种季前不久接触虚假信息,即使随后得到更正,也可能导致对疫苗的持续性不信任31,32,33。从政策角度看,这些发现表明,虚假信息的出现时机可能与其内容同样重要。公共卫生系统应优先在决策高峰期建立预警机制并开展快速反应沟通,因为此时人群似乎最容易受到误导性说法的影响。
政府资助的疫苗接种率似乎受到的影响更为一致。在赛诺菲疫苗谣言期间,政府资助的疫苗接种率出现下降,但自费疫苗接种率并未下降。在2024年的巴斯德流感疫苗事件中,尽管政府资助率出现了事件后的即时激增,这可能反映了浙江省将适用年龄从≥70岁放宽至≥60岁的政策,但事件后趋势随后出现下降。此前关于2018年中国长春长生疫苗事件的研究也类似地发现,国家免疫规划(NIP)疫苗比非NIP疫苗受到的行为影响更为显著34。这一模式可能部分反映了公众对政府资助疫苗和自费疫苗认知的差异,包括部分个体认为政府提供的疫苗质量较低或可信度较低等担忧35,36。然而,由于疫苗类型差异也可能受到适用标准、项目时间安排、公众宣传活动、分母变化、疫苗可及性以及不同制造商或品牌占比等因素的影响,这一解释需要进一步研究。尽管如此,鉴于政府资助的流感疫苗主要针对老年人,且在总接种率中占很大比例,这些发现突显了实时监控虚假信息并迅速进行沟通响应以维持公众对免疫规划信心的必要性37,38。
本研究的优势在于使用了大规模的真实世界数据,并整合了行为、主题和时间视角。结合ITS与反事实建模方法,可视化并量化了在识别出错误信息事件后,实际接种率相对于预期轨迹的偏差。按疫苗类型进行的分层分析揭示了异质性模式,为风险沟通提供了可操作的见解。
然而,应注意到一些局限性。首先,作为一项生态学研究,本分析缺乏关于错误信息暴露、信念和疫苗接种决策的个体层面数据。因此,观察到的关联不应被解释为错误信息暴露的个体层面效应。其次,错误信息的定义和操作化存在局限性。我们并未推断误导的意图,所纳入的事件应根据我们的操作性定义来解释,而非视为统一捏造的谣言或蓄意的虚假信息。特别是,Disciplinary Case和Pasteur Influenza Vaccine Incident是事实性事件,但它们在线上传播可能引发对疫苗生产、监管信任度、有效性或安全性的担忧。在跨事件比较结果时,应考虑这种信息类型的异质性。第三,事件识别和公众关注度测量并不完整。本研究主要集中于通过REDnote、微博和百度指数识别出的三大主要事件,可能低估了其他平台上的讨论、低关注度事件、持续时间长的事件或关键词特异性较低的错误信息。百度指数仅是公众关注度的代理指标,无法直接测量与错误信息无关的错误信息暴露、情绪、信念变化或媒体报道。由于不同地区的疫苗接种政策、媒体环境及卫生服务可及性存在差异,本研究在浙江省以外的推广性可能也有限。第四,未测量的混杂因素,包括政策变化、疫苗供应或可及性、流感活动、与COVID-19相关的事件、更广泛的疫苗信心溢出效应以及寻求医疗行为的变化,可能影响了疫苗接种趋势。最后,不同的ITS模型规格会影响估计的水平和斜率变化及统计显著性39,而反事实轨迹取决于关于潜在趋势和事件时间的基于模型的假设。因此,模型依赖性和规格不确定性不能完全排除。
总之,通过分析大规模真实世界数据,本研究量化了疫苗错误信息与流感疫苗接种率下降之间的关联。该关联的程度因错误信息的主题和时间模式而异,其中在接种高峰附近出现的安全相关错误信息显示出最显著的时间关联。政府资助的疫苗似乎更一致地受到这些事件的影响。这些发现共同推进了对疫苗相关错误信息事件如何与真实世界环境中疫苗使用率的可测量变化相关联的理解,强调了在评估错误信息的群体层面影响和制定疫苗沟通策略时,需同时考虑主题内容和时间点的重要性。
方法
数据来源
我们使用了中国东部经济发达地区浙江省2020年1月至2025年4月的全省每日流感疫苗接种记录。这些数据是从浙江省免疫规划智能服务信息系统例行的行政记录中回溯提取的。该数据库提供疫苗类型(政府资助/自费)、年龄、性别和地区(11个地级市)信息。中国的流感疫苗被归类为非国家免疫规划疫苗。在浙江省,政府资助的流感疫苗接种主要针对儿童和老年人。2020年至2023年间,拥有浙江户籍的70岁及以上居民有资格免费接种流感疫苗;自2024年起,该计划已扩大至所有60岁及以上的居民。
为最大限度减少报告延迟带来的偏差,数据被汇总为每周计数(每年52周)。人口分母(总人口和特定年龄人口)摘自《浙江统计年鉴》,用于计算每10万名居民的每周流感疫苗接种率。
虚假信息的识别
根据近期的公共卫生定义,我们将疫苗相关的错误信息事件操作化为涉及疫苗相关信息的在线事件,这些信息根据当时可获得的最佳证据被认为是错误的、不准确的或具有误导性的40。我们并未试图判断单个帖子是否出于误导的意图被分享,因为从公开社交媒体帖子和搜索数据中很难推断出意图性41。受信息失序框架的启发,本研究实用主义地使用“疫苗相关错误信息事件”这一术语,以涵盖捏造或未经核实的疫苗相关谣言,以及对事实性疫苗相关事件的误导性解读、放大或未经核实的推论42。
通过在主要中国社交媒体平台(微博和小红书/REDnote)及百度指数上进行关键词追踪和验证,识别了与疫苗接种相关的候选错误信息事件。微博是一个大型微博客服务,常被描述为中国的推特;小红书/REDnote是一个广泛使用的用户生成内容平台,类似于 Instagram。我们系统地收集并分析了这些平台上从 2020 年 1 月至 2025 年 4 月期间关于疫苗相关错误信息的公开讨论。我们采用了一种全面的关键词搜索策略,包括“疫苗副作用”、“疫苗事故”、“疫苗安全性”和“疫苗效力”等术语。
百度指数(https://index.baidu.com/v2/index.html#/)提供关键词搜索频率的聚合统计数据,并通过对选定关键词在百度网页上的加权搜索频率进行计算,量化公众关注度。该指数反映了特定主题随时间推移的关注程度及持续性,允许在疫苗相关事件期间对信息曝光和公众关注进行动态监测。该指数的波动被用于追踪围绕疫苗相关问题的公众关注强度与持续时间。对于每个候选事件,根据在线讨论中观察到的主导措辞,选取与事件相关的中文搜索词,以评估该事件是否产生了可解释的百度指数趋势。事件的起始周主要定义为事件特异性百度指数首次出现骤升的那一周,并对此时间点与相应的社交媒体讨论及事件背景进行交叉核对。对于公众舆论过程持续时间较长的事件,进一步根据百度指数趋势的持续升高及随后的衰减来评估事件窗口。
基于社交媒体搜索结果和百度指数趋势,我们最初识别出六起疫苗相关虚假信息或误导性信息事件:(1) 假冒矿泉水新冠疫苗案件(2021年1月至2月):帖子虚假声称使用矿泉水生产假冒新冠疫苗,尽管当局已立即澄清,仍引发广泛在线担忧。(2) 将新冠疫苗与白血病联系起来的谣言(2022年5月至6月):虚假信息暗示由新冠疫苗诱导产生的抗体可能导致白血病,在遭到医学专家驳斥前广泛传播。(3) 科兴疫苗肺结节谣言(2022年9月至12月):未经证实的声称称灭活新冠疫苗导致肺结节,与现有临床证据相矛盾。(4) 科兴制药申报文件被误读事件(2023年1月):科兴制药的常规监管申报文件在线被误读为疫苗质量问题的证据,导致短暂猜测。(5) 国药集团前总工程师纪律案件(2024年4月):对前总工程师杨晓明进行的纪律调查引发了关于疫苗研发过程完整性的猜测。(6) 赛诺菲 Pasteur 流感疫苗批次召回事件(2024年8月):基于效价担忧的预防性召回在在线讨论中被误读为更广泛疫苗安全性或有效性问题的证据。
这些事件是根据以下标准选定的:
-
1.
与疫苗生产、安全性、有效性、接种或监管信任相关的疫苗相关虚假信息事件;
-
2.
有明确定义的起始周和适合ITS分析的可解释事件窗口,起始周通过事件特异性百度指数的首次骤升确定;
-
3.
在线传播显著,反映在社交媒体互动或搜索活动的可见峰值中,公众关注峰值期间的最高百度指数值达到至少800.
百度指数≥800的阈值被用作衡量公众关注的操作性标准,而非文献中经过验证的截断值。其旨在识别具有足够可见在线信号且时间模式可解释、适用于定量中断分析的重大事件。候选事件在结果建模前进行筛选,且未基于其与流感疫苗接种率的关联而被纳入或排除。候选事件由研究团队依据既定标准联合审查,不确定案例通过讨论直至达成共识才作处理。候选事件识别、筛选及处理的总体流程见补充图1。
根据上述标准,三个候选事件未纳入主要ITS分析。对于“将新冠疫苗与白血病联系起来谣言”事件,该事件特定的百度指数趋势显示出一个骤然的初始峰值,超过800,表明公众关注度较高。然而,随后的关注模式类似于“科兴疫苗谣言”,呈现出多个峰值,而第二个峰值未达既定阈值800。此外,相关舆情周期较长且弥散,使其不适合需要明确界定中断窗口的主要ITS设计。因此,该事件未纳入主要三事件分析。对于“假冒矿泉水新冠疫苗案件”和“科兴医药申报被误读事件”,微博和REDnote/小红书上的讨论表明,事实性事件引发了对疫苗质量、安全性或监管流程的担忧。然而,这些事件主要涉及刑事/假冒疫苗案件或常规申报及监管信息,与纳入主要分析的事件相比,其误导性解读成分更难与事实报道清晰区分。此外,我们无法确定能够可靠捕捉这两个事件的合适的事件特定百度指数关键词。使用具有代表性的事件特定中文词进行搜索,未能产生可解读的特定词汇百度指数趋势,这表明对这些事件的在线讨论相对有限,或未围绕可搜索的特定关键词集中。
用于主要分析的三个事件为:(1) 科兴疫苗肺结节谣言(Sinovac Vaccine Rumours,2022 年 9 月至 12 月),将 COVID-19 疫苗与肺结节相关联的伪造或未经证实的安全谣言;(2) 国药集团前总工程师纪律处分案件(Disciplinary Case,2024 年 4 月),一起涉及高级疫苗科学家、记录在案的管理与反腐败相关事件,在线解读为疫苗生产或监管信任问题;以及 (3) 赛诺菲巴斯德流感疫苗批次召回事件(Pasteur Influenza Vaccine Incident,2024 年 8 月),因效价问题而进行的一次实际记录在案的预防性召回,在线被放大或误读为关于流感疫苗有效性或安全性的更广泛关注。基于中文搜索词的特定事件百度指数趋势用于表征公众关注的时机、强度和持续时间,并指导特定事件的 ITS 模型设定。所选事件及敏感性分析事件的百度指数趋势见图 2 补充材料。
为进一步评估事件选择对百度指数阈值的依赖性,我们发现,若将阈值降低至 ≥500,则会捕捉到 将 COVID-19 疫苗与白血病关联的谣言 的两个关注峰值(补充图 2d)。鉴于其与疫苗安全担忧的相关性,因此在额外的敏感性分析中对该事件进行了单独分析。具体而言,单次中断 ITS 分析采用 2022 年 5 月 30 日至 6 月 5 日这一周作为中断点,过渡期设定与科兴疫苗谣言所使用的类似。
中断时间序列分析
我们应用分段回归模型估算每个错误信息事件后每周疫苗接种率的水平变化和斜率变化。一般模型设定为:
$$\begin{array}{c}\log \left({Y}_{t}\right)={\beta }_{0}+{\beta }_{1}{{\cdot }}{Time}+{\beta }_{2}{{\cdot }}{Startpoint}+{\beta }_{3}{{\cdot }}{Posttime}+\sum {\beta }_{p}{X}_{p}+{Seasonality}\\+{\beta }_{m}{{\cdot }}{Pulse}+{\beta }_{n}{{\cdot }}\log \left({Y}_{t-1}\right)+{\epsilon }_{t}\end{array}$$
(1)
其中 \({Y}_{t}\) 表示 t 时点的每周疫苗接种率(/100,000);\({Time}\) 为自基线期以来的周数,\({\beta }_{1}\) 表示错误信息出现前疫苗接种率的自然趋势;\({Startpoint}\) 为错误信息发生的哑变量(事件发生前为 0,发生后为 1),\({\beta }_{2}\) 表示错误信息出现时的即时水平变化;\({Posttime}\) 衡量自错误信息发生以来经过的周数,\({\beta }_{3}\) 反映错误信息后斜率相较于错误信息前斜率的变化。
利用百度指数平台的公开搜索数据43,我们选择了适当的ITS模型来分析这三个错误信息事件。对于舆论持续时间较短的学科案例(事件周大约在2024年4月28日;分析窗口:2023年11月至2024年11月;补充图2b)和巴斯德流感疫苗事件(事件周大约在2024年8月27日;分析窗口:2024年1月至2025年4月;补充图2c),分析中未引入过渡项。因此,这两个事件均使用式(1)中描述的基础分段回归进行建模。对于科兴疫苗谣言(公众关注期:2022年9月至12月;分析窗口:2022年1月至2023年12月),由于其持续时间相对较长且舆论发展明显(补充图2a),我们将2022年9月20日至12月20日设为舆论的过渡期。具体的ITS模型如下:
$$\begin{array}{c}\log \left({Y}_{t}\right)={\beta }_{0}+{\beta }_{1}{{\cdot }}{Time}+{\beta }_{2}{{\cdot }}{Startpoint}+{\beta }_{3}{{\cdot }}{Transition}+{\beta }_{4}{{\cdot }}{Endpoint}+\\ {\beta }_{5}{{\cdot }}{Posttime}+\sum {\beta }_{p}{X}_{p}+{Seasonality}+{\beta }_{m}{{\cdot }}{Pulse}+{\beta }_{n}{{\cdot }}\log \left({Y}_{t-1}\right)+{\epsilon }_{t}\end{array}$$
(2)
其中 \({Y}_{t}\) 表示时间 t 时的每周疫苗接种率(/10万);\({Time}\) 是自基线期以来经过的周数,\({\beta }_{1}\) 表示错误信息出现前疫苗接种率的自然趋势;\({Startpoint}\) 和 \({Endpoint}\) 分别是错误信息过渡期开始和结束的虚拟变量(之前为0,之后为1),\({\beta }_{2}\) 和 \({\beta }_{4}\) 分别表示过渡期开始和结束时水平上的即时变化;Transition 衡量过渡期内自过渡期开始以来经过的周数,此后保持不变,\({\beta }_{3}\) 反映过渡期斜率相对于错误信息出现前时期的变化;\({Posttime}\) 衡量自过渡期结束以来经过的周数,\({\beta }_{5}\) 反映错误信息出现后时期斜率相对于错误信息出现前时期的变化。过渡期后斜率与过渡期斜率之差为 \({\beta }_{5}-{\beta }_{3}\)。
协变量(\(\sum {\beta }_{p}{X}_{p}\))包括牛津 COVID-19 政府应对追踪器(OxCGRT)的严格指数44以及来自美国国家环境信息中心的温度45。Seasonality(季节性)使用四个傅里叶项(周期为 52 周的窦和余弦函数)进行校正。Pulse(脉冲)项被引入以捕捉与浙江省每年八月或九月的免费流感疫苗接种计划相关的短期激增。由于浙江省政府资助的老年人流感疫苗接种计划自 2020 年以来通常在每年八月或九月开始,政府资助和总体疫苗接种率在计划启动时显示出即时的脉冲状激增,而自费疫苗接种率则没有。因此,基于政府资助疫苗接种覆盖率的变动,针对一至两个计划启动周设置了Pulse项,以捕捉这些由外部驱动的增长(特定周为 1,否则为 0)。在 2024 年,指定了两个脉冲周,这可能反映了政府资助疫苗接种计划从 70 岁及以上居民扩大到 60 岁及以上人群。Pulse项被纳入总体和政府资助疫苗接种率的模型中,但未纳入自费疫苗接种模型。考虑到每周疫苗接种行为的持续性和短期依赖性,\(\log \left({Y}_{t-1}\right)\) 作为滞后结果协变量被纳入。使用残差自相关图和 Durbin-Watson (DW) 检验测试序列自相关。在包含滞后结果项后,如果残差自相关仍然存在,则纳入 AR(1) 残差相关结构 [\(\text{Corr}\left({{\varepsilon }_{t},\varepsilon }_{t-1}\right)=\rho\)]。没有 AR(1) 残差结构的模型使用普通最小二乘法(OLS)估计,而具有 AR(1) 残差相关的模型使用广义最小二乘法(GLS)估计。在最终模型中,纳入滞后结果项充分降低了残差自相关,未保留 AR(1) 残差相关结构。
拟合系数 \({b}_{1},{b}_{2},{b}_{3},\ldots\) 代表对应模型参数 \({\beta }_{1},{\beta }_{2},{\beta }_{3},\ldots\) 的估计值。由于结果经过了日志转换,系数被转换为百分比变化((\({e}^{b}-\)1) × 100%),组合斜率通过对相关系数求和后取指数计算得出。
反事实估计
生成了反事实预测,以估计在假设没有疫苗错误信息发生的潜在情景下流感疫苗接种率的可能性。具体而言,设置了特定于错误信息的项为零,包括基础 ITS 模型中的 Startpoint(起点)和 Posttime(后时间),以及转换期模型中的 Startpoint、Transition(转换)、Endpoint(终点)和 Posttime。相反,保留了底层时间趋势、协变量、季节性、脉冲项和滞后结果项的拟合截距和系数。反事实预测可以表示为:
$$\begin{array}{c}\log \left({\hat{Y}}_{t}\right)={\beta }_{0}+{\beta }_{1}{{\cdot }}{Time}+\sum {\beta }_{p}{X}_{p}+{Seasonality}+{\beta }_{m}{{\cdot }}{Pulse}\\ +{\beta }_{n}{{\cdot }}\log \left({Y}_{t-1}\right)\end{array}$$
(3)
其中 \({\beta }_{0}\)、\({\beta }_{1}\)、\({\beta }_{p}\)、\({\beta }_{m}\) 和 \({\beta }_{n}\) 对应于公式 1 或 2 中定义的参数;\({\hat{Y}}_{t}\) 表示第 t 周的假想预测疫苗接种率。假想轨迹的置信区间利用拟合的 ITS 模型系数的方差-协方差矩阵计算,反映了估计的假想平均疫苗接种率的不确定性,随后从对数尺度转换回原始疫苗接种率尺度。
敏感性分析
We estimated changes in total, government-funded, and self-paid vaccination rates and conducted stratified analyses by age group ( < 60 and ≥60 years) and by region (11 prefecture-level cities). If zero values were present in the weekly vaccination rate, they were replaced by half the smallest non-zero value before the log transformation46,47. Meanwhile, sensitivity analyses were conducted by varying event window definitions by ±1 week, and by testing models with and without adjustment for the Stringency Index and temperature variables. To examine whether similar deviations would be observed during comparable seasonal periods without corresponding misinformation events, we additionally conducted calendar-matched placebo analyses for events showing statistically significant associations in the main analysis by applying the same ITS specifications to the corresponding calendar periods in the preceding year. In addition, the Rumours Linking COVID-19 Vaccines to Leukaemia, which was not included in the main analysis because of its prolonged and less clearly bounded public-opinion period, was also analysed separately in supplementary sensitivity analyses using both a single-interruption ITS model and a transition-period model.
Statistical analysis
All analyses were conducted in R (Version 4.4.2) using the packages forecast, lmtest, and tidyverse, among others. Statistical significance was defined as P < 0.05 (two-sided).
Ethical approval
This study was approved by the Institutional Review Board of Zhejiang Provincial Centre for Disease Control and Prevention (No. 2025-038-01). All vaccination data were extracted and anonymised with no personal identifiers.
Data availability
Aggregated vaccination data were obtained from the Intelligent Service Information System of the Zhejiang Provincial Immunization Programme, through the Zhejiang Provincial Center for Disease Control and Prevention under data-sharing agreements, and are not publicly available.
References
Ngai, C. S. B., Singh, R. G. & Yao, L. Impact of COVID-19 vaccine misinformation on social media virality: Content analysis of message themes and writing strategies. J. Med Internet Res. 24, e37806 (2022).
Lenti, J. et al. Global Misinformation Spillovers in the Vaccination Debate Before and During the COVID-19 Pandemic: Multilingual Twitter Study. JMIR Infodemiol. 3, e44714 (2023).
Larson, H. J. Stuck: How Vaccine Rumors Start and Why They Don’t Go Away. (Oxford University Press, United Kingdom, 2020).
Millions of children deprived of life-saving vaccinations amid COVID pandemic, misinformation surge | UN News. https://news.un.org/en/story/2023/04/1135797.
Infodemic. https://www.who.int/health-topics/infodemic.
Loomba, S., de Figueiredo, A., Piatek, S. J., de Graaf, K. & Larson, H. J. Measuring the impact of COVID-19 vaccine misinformation on vaccination intent in the UK and USA. Nat. Hum. Behav. 5, 337–348 (2021).
Wolfe, C. R. et al. Understanding the landscape of web-based medical misinformation about vaccination. Behav. Res Methods 55, 348–363 (2023).
Pierri, F. et al. Online misinformation is linked to early COVID-19 vaccination hesitancy and refusal. Sci. Rep. 12, 5966 (2022).
Neely, S. R., Eldredge, C., Ersing, R. & Remington, C. Vaccine Hesitancy and Exposure to Misinformation: A Survey Analysis. J. Gen. Intern Med 37, 179–187 (2022).
Lee, S. K., Sun, J., Jang, S. & Connelly, S. Misinformation of COVID-19 vaccines and vaccine hesitancy. Sci. Rep. 12, 13681 (2022).
de Saint Laurent, C., Murphy, G., Hegarty, K. & Greene, C. M. Measuring the effects of misinformation exposure and beliefs on behavioural intentions: A COVID-19 vaccination study. Cogn. Res Princ. Implic. 7, 87 (2022).
Allen, J., Watts, D. J. & Rand, D. G. Quantifying the impact of misinformation and vaccine-skeptical content on Facebook. Science 384, eadk3451 (2024).
Wilson, S. L. & Wiysonge, C. Social media and vaccine hesitancy. BMJ Glob. Health 5, e004206 (2020).
Suppli, C. H. et al. Decline in HPV-vaccination uptake in Denmark–the association between HPV-related media coverage and HPV-vaccination. BMC Public Health 18, 1360 (2018).
Brilli, Y., Lucifora, C., Russo, A. & Tonello, M. Influenza vaccination behavior and media reporting of adverse events. Health Policy 124, 1403–1411 (2020).
Rodrigues, F. et al. The Impact of Social Media on Vaccination: A Narrative Review. J. Korean Med Sci. 38, e326 (2023).
Health Organization, W. orld Vaccines against influenza: WHO position paper – May 2022. Wkly. Epidemiol. Rec. 97, 185–208 (2022).
Ma, R. et al. Seasonal influenza vaccination rate and vaccine effectiveness among older adults in mainland China: A systematic review and meta-analysis. Age Ageing 54, afaf252 (2025).
Wang, X. et al. Government livelihood project - free influenza vaccination for the older population in China: The example of Zhejiang Province. Front Public Health 13, 1571499 (2025).
Bernal, J. L., Cummins, S. & Gasparrini, A. Interrupted time series regression for the evaluation of public health interventions: a tutorial. Int J. Epidemiol. 46, 348–355 (2017).
Maquiling, A., Jeevakanthan, A. & Ho Mi Fane, B. The effect of vaccine mandate announcements on vaccine uptake in Canada: An interrupted time series analysis. Vaccine 41, 2932–2940 (2023).
Kumar, S., Shah, Z. & Garfield, S. Causes of vaccine hesitancy in adults for the influenza and COVID-19 vaccines: A systematic literature review. Vaccines (Basel) 10, 1518 (2022).
Schmid, P., Rauber, D., Betsch, C., Lidolt, G. & Denker, M.-L. Barriers of influenza vaccination intention and behavior – A systematic review of influenza vaccine hesitancy, 2005–2016. PLoS One 12, e0170550 (2017).
Mäki, K. O. et al. COVID-19 and influenza vaccine-hesitancy subgroups. PLoS One 19, e0308159 (2024).
Leuchter, R. K., Jackson, N. J., Mafi, J. N. & Sarkisian, C. A. Association between Covid-19 vaccination and influenza vaccination rates. N. Engl. J. Med. 386, 2531–2532 (2022).
Lunz Trujillo, K. et al. COVID-19 spillover effects onto general vaccine attitudes. Public Opin. Q 88, 97–122 (2024).
Luo, S. et al. Spillover between influenza and COVID-19 vaccination behaviors across pandemic phases and implications for general vaccine hesitancy. npj Vaccines 11, 70 (2026).
Rasul, M. E. & Ahmed, S. Not all conservatives are vaccine hesitant: examining the influence of misinformation exposure, political ideology, and flu vaccine acceptance on COVID-19 vaccine hesitancy. Vaccines (Basel) 11, 586 (2023).
Pineño, O. & Miller, R. R. Primacy and recency effects in extinction and latent inhibition: A selective review with implications for models of learning. Behav. Process. 69, 223–235 (2005).
Henne, P., Kulesza, A., Perez, K. & Houcek, A. Counterfactual thinking and recency effects in causal judgment. Cognition 212, 104708 (2021).
Pluviano, S., Watt, C. & Della Sala, S. Misinformation lingers in memory: Failure of three pro-vaccination strategies. PLoS One 12, e0181640 (2017).
Ecker, U. K. H., Sharkey, C. X. M. & Swire-Thompson, B. Correcting vaccine misinformation: A failure to replicate familiarity or fear-driven backfire effects. PLoS One 18, e0281140 (2023).
Lewandowsky, S., Ecker, U. K. H., Seifert, C. M., Schwarz, N. & Cook, J. Misinformation and its correction: Continued influence and successful debiasing. Psychol. Sci. Public Interest 13, 106–131 (2012).
Hou, Z. et al. Assessing the impact of the 2018 Changchun Changsheng vaccine incident on childhood vaccination in China. Commun. Med (Lond.) 3, 114 (2023).
Baik, Y., Bien-Gund, C. H., Bisson, G. P., Gross, R. & Fishman, J. Do some prefer to pay? Identifying bias against free COVID-19 tests. Public Health Pract. 7, 100483 (2024).
Wolinsky, A. Prices as signals of product quality. Rev. Econ. Stud. 50, 647–658 (1983).
Larson, H. J. et al. Measuring vaccine confidence: Analysis of data obtained by a media surveillance system used to analyse public concerns about vaccines. Lancet Infect. Dis. 13, 606–613 (2013).
Wood, R. M., Juanchich, M., Ramirez, M. & Zhang, S. Promoting COVID-19 vaccine confidence through public responses to misinformation: The joint influence of message source and message content. Soc. Sci. Med 324, 115863 (2023).
Turner, S. L. et al. Comparison of six statistical methods for interrupted time series studies: Empirical evaluation of 190 published series. BMC Med. Res. Methodol. 21, 134 (2021).
U.S. Department of Health and Human Services. Confronting Health Misinformation https://www.hhs.gov/surgeongeneral/reports-and-publications/health-misinformation/index.html (2021).
Mikati, I. K. E. et al. Defining misinformation and related terms in health-related literature: Scoping review. J. Med. Internet Res. 25, e45731 (2023).
Wardle, C. & Derakhshan, H. Information Disorder: Toward an Interdisciplinary Framework for Research and Policy Making https://edoc.coe.int/en/media/7495-information-disorder-toward-an-interdisciplinary-framework-for-research-and-policy-making.html (2017).
Baidu Index. https://index.baidu.com/v2/index.html#/.
COVID-19 Government Response Tracker | Blavatnik School of Government. https://www.bsg.ox.ac.uk/research/covid-19-government-response-tracker (2020).
National Centers for Environmental Information (NCEI). https://www.ncei.noaa.gov/.
Chen, J. & Roth, J. Logs with Zeros? Some Problems and Solutions*. https://doi.org/10.1093/qje/qjad054.
Martín-Fernández, J. A., Barceló-Vidal, C. & Pawlowsky-Glahn, V. Dealing with zeros and missing values in compositional data sets using nonparametric imputation. Math. Geol. 35, 253–278 (2003).
Acknowledgements
We appreciate all healthcare workers for their contributions to the study's data collection. This work was supported by the Shanghai Municipal Science and Technology Major Project (ZD2021CY001), the Disease Prevention and Control Innovation Team of Zhejiang Province (2026JKC-01), and the Shanghai Institute for Mathematics and Interdisciplinary Sciences (SIMIS, SIMIS-ID-2025-NW).
Author information
Author notes
These authors contributed equally: Xiangting Zhang, Xuan Deng.
Authors and Affiliations
Shanghai Institute of Infectious Disease and Biosecurity, Fudan University, Shanghai, China
Xiangting Zhang, Yihan Lu & Ye Yao
Department of Epidemiology, Ministry of Education Key Laboratory of Public Health Safety, School of Public Health, Fudan University, Shanghai, China
Xiangting Zhang & Yihan Lu
Department of Immunisation Programme, Zhejiang Provincial Center for Disease Control and Prevention, Hangzhou, China
Xuan Deng, Yuxia Liang, Hanqing He, Ying Wang, Yingping Chen & Shenyu Wang
Zhejiang Key Lab of Vaccine, Infectious Disease Prevention and Control, Zhejiang Provincial Center for Disease Control and Prevention, Hangzhou, China
Shenyu Wang
Department of Biostatistics, Ministry of Education Key Laboratory of Public Health Safety, School of Public Health, Fudan University, Shanghai, China
Ye Yao
Authors
- Xiangting Zhang
- Xuan Deng
- Yuxia Liang
- Hanqing He
- Ying Wang
- Yingping Chen
- Shenyu Wang
- Yihan Lu
- Ye Yao
Contributions
X.D. and Y.Y. conceived of this study. Y.L., H.H., Y.W. and X.Z. designed the study and collected the data. X.Z. analyzed data. X.Z., X.D. and Y.C. drafted the initial manuscript. Y.Y., Y.L. and S.W. critically revised the manuscript. All authors reviewed the final manuscript.
Corresponding authors
Correspondence to Shenyu Wang, Yihan Lu or Ye Yao.
Ethics declarations
Competing interests
Y.L. received the grant from MSD China (4-valent and 9-valent HPV vaccines licensed in China’s mainland) for research in modelling and health economics of HPV vaccination in adolescent girls; and consultation fee from Walwax Biotechnology Co., Ltd. (2-valent HPV vaccine licensed in China’s mainland, and a 9-valent HPV vaccine candidate in the clinical trial) and Xiamen Innovax Biotech Co., Ltd (2-valent and 9-valent HPV vaccines licensed in China’s mainland).
Additional information
Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.
Rights and permissions
Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.
About this article
Cite this article
Zhang, X., Deng, X., Liang, Y. et al. Associations between vaccine misinformation and influenza vaccine uptake: a population-based interrupted time-series study in China. npj Digit. Public Health 1, 40 (2026). https://doi.org/10.1038/s44482-026-00047-1
Received: 28 April 2026
Accepted: 24 August 2026
Published: 05 October 2026
Version of record: 05 October 2026
DOI: https://doi.org/10.1038/s44482-026-00047-1
来源:Nature 健康护理主题 · nature.com