Meta 分析常被理解为“把几篇文章的数据放在一起算一个总结果”。这个理解只说对了一小部分。

一项规范的临床 Meta 分析，实际上包括两个紧密相连的工作：

系统综述：按照预先制定的方法，尽可能完整地寻找、筛选和评价相关研究；
统计合并：在研究具有足够临床和方法学可比性的前提下，将各研究的效应量及其不确定性进行定量合并。

因此，Meta 分析不是从打开统计软件开始，也不是从制作森林图开始。真正的起点是一个清楚、重要、能够回答的临床问题。

本文以临床干预研究为主，带领初学者完成一次基础的两组比较 Meta 分析，包括：

Meta 分析是怎样产生的；
它能解决什么临床科学问题；
怎样提出研究问题；
怎样检索和筛选文献；
怎样从文章中提取数据；
哪些数据可以直接使用；
哪些数据必须先换算；
怎样建立 CSV；
怎样使用 CME 麻醉论坛 Meta 分析工具；
怎样选择固定效应或随机效应；
怎样看森林图、异质性和漏斗图；
怎样写论文的统计学方法和结果；
哪些情况下不应该进行统计合并。

读完并完成文中的示例后，读者应当能够独立完成一项基础的临床 Meta 统计分析。

一、Meta 分析是怎样产生的

1. 单项研究为什么经常不能给出确定答案

临床研究常遇到以下情况：

一项研究认为治疗有效，另一项研究认为无效；
不同研究的效应方向相同，但都因样本量小而没有统计学意义；
不同医院、不同国家或不同年龄人群的研究结果存在差异；
一项研究的结果很好，但置信区间很宽；
临床医生面对几十篇研究，难以判断总体证据究竟支持什么结论。

如果只做传统叙述性综述，作者可能会写：

5 项研究认为有效，3 项研究认为无效，因此总体可能有效。

这种“数研究篇数”的方法存在明显问题。

一项纳入 1000 例患者、估计精确的大型研究，不应当和一项只有 20 例患者、估计极不稳定的小型研究拥有同样的决定权。研究结果也不能仅根据 P 值是否小于 0.05 来分类。

Meta 分析的核心改进，是让每项研究根据其结果的精确程度获得相应权重。

通常：

标准误越小；
方差越小；
结果越精确；

研究在合并结果中的权重就越大。

2. Meta 分析方法的历史

1904 年，统计学家 Karl Pearson 对伤寒疫苗相关研究进行了定量综合，这通常被认为是医学领域较早的统计合并实例之一。

1976 年，Gene V. Glass 正式提出“Meta-analysis”这一名称，用来描述：

对大量独立研究的分析结果进行统计整合。

此后，Meta 分析逐渐成为循证医学、临床指南、公共卫生政策和医疗决策中的重要研究方法。

3. Meta 分析真正合并的是什么

Meta 分析通常不是直接把所有研究的患者混在一起重新计算。

常规文献级 Meta 分析合并的是每项研究提供的：

效应量；
标准误、方差或置信区间。

例如，每项研究可能分别提供：

OR；
RR；
HR；
均数差；
标准化均数差；
回归系数。

在通用逆方差 Meta 分析中，每项研究最终都可以整理为两个基本数字：

效应量 estimate
标准误 SE

统计模型根据 SE 计算研究权重，然后得到合并效应量。

二、Meta 分析能解决哪些临床科学问题

Meta 分析适合回答“已有多项相似研究，但单项研究不足以形成明确结论”的问题。

1. 提高效应估计的精确度

若多项研究方向大致一致，但每项样本量都不大，合并后通常可以得到更窄的置信区间。

例如：

研究 A：OR 0.70，95% CI 0.40～1.22；
研究 B：OR 0.75，95% CI 0.44～1.28；
研究 C：OR 0.68，95% CI 0.39～1.18。

每项研究单独看都不显著，但合并后可能获得较精确的总体估计。

这并不是“把不显著变成显著”，而是通过综合更多信息减少随机误差。

2. 评价研究结果是否一致

Meta 分析可以判断：

各研究的效应方向是否一致；
效应大小是否存在明显差异；
差异是否可能超过随机误差；
不同人群、剂量或研究设计是否可能解释这种差异。

这就是异质性分析。

3. 发现单项研究难以观察的效应

对于发生率较低的结局，例如：

严重不良反应；
围术期心搏骤停；
药物相关严重过敏；
罕见神经系统并发症；

单个研究可能事件数不足。通过系统综合多项研究，可能得到更稳定的风险估计。

4. 比较临床结论的稳健性

通过敏感性分析，可以观察：

去掉高偏倚风险研究后结论是否改变；
去掉极端效应研究后结论是否改变；
固定效应与随机效应结果是否一致；
只纳入随机对照试验时结论是否仍然成立。

5. 为指南和临床决策提供总体证据

Meta 分析可以为以下问题提供依据：

某种麻醉药能否降低术后躁动；
超声引导能否提高穿刺成功率；
某种镇静方案是否缩短苏醒时间；
一项围术期干预是否增加低血压风险；
某种监测方法能否减少严重不良事件。

6. Meta 分析不能解决什么

Meta 分析不能自动修复原始研究的问题。

如果纳入研究普遍存在：

严重选择偏倚；
结局定义不一致；
数据错误；
选择性报告；
混杂因素控制不足；
重复发表；
不合理的统计模型；

合并后得到的结果仍然可能是不可靠的。

因此，“纳入研究多”不等于“证据质量高”。

三、系统综述和 Meta 分析不是同一个概念

这两个概念经常被混用。

系统综述

系统综述强调：

明确研究问题；
预先确定纳入排除标准；
全面检索；
规范筛选；
提取数据；
评价偏倚风险；
系统综合证据。

系统综述可以有 Meta 分析，也可以没有。

Meta 分析

Meta 分析是统计合并方法。

只有当纳入研究在以下方面具有足够可比性时，才适合合并：

研究对象；
干预或暴露；
对照；
结局定义；
测量时间；
研究设计；
效应量。

如果研究差异过大，最规范的做法可能是只做系统综述，而不强行制作一个汇总效应量。

四、第一步：把临床疑问改写成可研究的问题

1. 干预性问题使用 PICO

PICO 包括：

P，Population：研究人群；
I，Intervention：干预；
C，Comparator：对照；
O，Outcome：结局。

例如：

在接受儿童门诊检查的患者中，右美托咪定镇静与咪达唑仑镇静相比，是否提高镇静成功率并减少呼吸不良事件？

可以拆分为：

P：接受门诊检查镇静的儿童
I：右美托咪定
C：咪达唑仑
O：镇静成功率、苏醒时间、低氧血症、躁动

2. 观察性研究使用 PECO

P：研究人群；
E，Exposure：暴露因素；
C：未暴露或其他暴露；
O：结局。

例如：

儿童肥胖是否与困难静脉穿刺风险增加有关？

P：儿童患者
E：肥胖
C：非肥胖
O：首次穿刺失败

3. 进一步限定研究设计和时间

可以加入：

S：Study design；
T：Time；
S：Setting。

例如：

研究设计：随机对照试验
随访时间：麻醉后24小时
场景：手术室或麻醉恢复室

4. 一个好的 Meta 问题应满足什么条件

理想的问题应当：

有明确的临床价值；
已有多项相关研究；
尚无非常确定的结论；
研究之间具有一定可比性；
结局可以提取或计算；
不只是为了得到一个显著 P 值。

五、第二步：在检索之前写好方案

规范的 Meta 分析不应在看到结果以后才决定分析方法。

方案至少应预先规定：

PICO；
纳入和排除标准；
检索数据库；
检索时间范围；
主要和次要结局；
优先提取的时间点；
效应量；
固定效应或随机效应策略；
异质性处理；
亚组分析；
敏感性分析；
偏倚风险评价方法；
发表偏倚评价；
证据确定性评价。

符合条件的系统综述方案可以在 PROSPERO 等平台注册。

注册的意义不是获得“批准”，而是：

提高透明度；
减少结果导向的方法改变；
让读者区分预设分析和事后分析；
减少重复研究。

六、第三步：制定纳入和排除标准

纳入标准必须能够直接判断一篇文章是否符合要求。

示例

研究问题：

超声引导与解剖标志法相比，是否提高儿童骶管阻滞首次成功率？

纳入标准

研究对象为 18 岁以下儿童；
比较超声引导与传统解剖标志法；
报告首次穿刺成功率；
随机对照试验或符合方案要求的队列研究；
可以获得两组事件数和总人数，或获得 OR/RR 及其 CI；
正式发表的全文研究。

排除标准

成人研究；
没有对照组；
只报告总体成功率；
病例报告；
综述或评论；
重复发表；
不能获得所需数据；
结局定义与研究问题不一致。

不要只写模糊标准

例如：

纳入高质量研究
排除数据不完整的研究

“高质量”和“数据不完整”必须有可操作定义，否则筛选过程容易受主观判断影响。

七、第四步：系统检索文献

常用数据库包括：

PubMed/MEDLINE；
Embase；
Cochrane CENTRAL；
Web of Science；
Scopus；
中国知网、万方或其他中文数据库；
临床试验注册平台；
参考文献追溯。

1. 检索式的基本结构

围绕 PICO 中的核心概念建立词组。

例如：

(child OR pediatric OR paediatric)
AND
(ultrasound OR ultrasonography)
AND
(caudal block OR caudal anesthesia)

每个概念同时考虑：

主题词；
自由词；
缩写；
英美拼写；
旧名称；
商品名；
常见同义词。

2. 不建议在检索中过早加入结局词

如果结局在标题或摘要中经常不出现，加入结局词可能漏掉相关研究。

3. 保存完整检索记录

应保存：

数据库名称；
检索平台；
完整检索式；
最后检索日期；
检索结果数量。

论文通常需要在附录中报告至少一个数据库的完整检索式。

八、第五步：筛选研究并识别重复报告

标准流程通常包括：

去重；
标题和摘要筛选；
全文筛选；
记录全文排除理由；
绘制 PRISMA 流程图。

建议由两名研究者独立筛选，分歧通过讨论或第三人解决。

一个试验可能对应多篇文章

例如同一临床试验可能分别发表：

主要结果；
长期随访；
亚组分析；
安全性分析；
二次分析。

Meta 分析的基本单位通常是“研究或试验”，不是“文章”。

不能把同一个试验的两篇报告误当成两项独立研究，否则会重复计算患者。

应建立：

study_id：唯一研究编号
report_id：文章编号

然后把同一研究的多篇报告关联起来。

九、第六步：建立数据提取表

不要读一篇文章就直接把几个数字输入统计软件。

应先建立结构化数据提取表。

1. 研究基本信息

建议提取：

study_id
first_author
year
country
setting
study_design
registration_number
funding
sample_size

2. 人群信息

age
sex
ASA
diagnosis
inclusion_criteria
exclusion_criteria
baseline_characteristics

3. 干预信息

intervention_name
dose
route
timing
cointervention
operator_experience

4. 对照信息

comparator_name
dose
route
timing

5. 结局信息

每个结局至少记录：

outcome_name
outcome_definition
measurement_method
time_point
analysis_population
effect_measure
effect_estimate
lower_ci
upper_ci
p_value
events_treatment
total_treatment
events_control
total_control
mean_treatment
sd_treatment
mean_control
sd_control

6. 为什么必须记录结局定义和时间点

“镇静成功”在不同研究中可能分别定义为：

无需追加药物；
完成检查；
镇静评分达到某级；
无需身体约束；
无需转为全身麻醉。

这些结果不能因为名称都叫“成功率”就直接合并。

同样：

术后 30 分钟疼痛评分；
术后 6 小时疼痛评分；
术后 24 小时疼痛评分；

不能不加区分地放在同一个 Meta 分析中。

十、第七步：评价偏倚风险

统计合并前必须评价纳入研究是否可信。

1. 随机对照试验

可使用 RoB 2，主要关注：

随机过程；
偏离预期干预；
缺失结局数据；
结局测量；
选择性报告。

2. 非随机干预研究

可使用 ROBINS-I，重点包括：

混杂；
研究对象选择；
干预分类；
偏离预期干预；
缺失数据；
结局测量；
选择性报告。

3. 偏倚风险不能简单转成总分

“5 分以上为高质量”通常不能充分反映不同偏倚领域的实际影响。

更重要的是判断：

这项研究的具体结果是否可能被偏倚扭曲；
偏倚可能使效应被高估还是低估；
高风险研究是否改变总体结论。

十一、理解 Meta 分析所需的三个基本概念

1. 效应量

效应量表示两组之间差异的方向和大小。

常见效应量包括：

二分类结局

OR：优势比；
RR：风险比；
RD：风险差。

连续结局

MD：均数差；
SMD：标准化均数差。

生存或时间结局

HR：风险比率。

2. 标准误

标准误表示效应估计的不确定性。

标准误越小，说明研究结果越精确。

不要混淆：

SD：患者个体数据的离散程度；
SE：研究效应估计的不确定性。

网站通用逆方差 Meta 分析需要的是效应量的 SE，不是患者数据的 SD。

3. 置信区间

95% CI 反映效应估计的不确定范围。

置信区间越窄，研究估计通常越精确。

如果文章没有直接报告 SE，但报告了效应量及其 CI，通常可以反推出 SE。

十二、怎样选择效应量

1. 二分类结局：RR、OR 还是 RD

例如：

成功/失败；
发生低氧/未发生低氧；
死亡/存活；
出现并发症/未出现。

RR

风险比：

RR = 干预组事件风险 ÷ 对照组事件风险

RR 比较容易进行临床解释。

例如：

RR = 0.70

表示干预组事件风险约为对照组的 70%。

OR

优势比：

OR = 干预组事件优势 ÷ 对照组事件优势

OR 常用于：

Logistic 回归；
病例对照研究；
部分临床试验报告；
调整后的多变量分析。

当事件常见时，OR 与 RR 的数值可能差异明显。

例如 OR=0.50 并不一定表示风险下降 50%。

RD

风险差：

RD = 干预组风险 - 对照组风险

例如：

RD = -0.10

表示绝对风险降低 10 个百分点。

选择原则

同一个 Meta 分析应使用统一效应量。

不能把：

部分研究的 OR；
部分研究的 RR；

直接放在同一个 effect 列中合并。

2. 连续结局：MD 或 SMD

MD

当所有研究使用相同量表、相同单位时使用。

例如：

苏醒时间，分钟；
平均动脉压，mmHg；
住院时间，天；
丙泊酚剂量，mg/kg。

MD = 干预组均值 - 对照组均值

SMD

当各研究测量的是相同概念，但使用不同量表时使用。

例如不同研究分别使用不同的焦虑评分量表。

SMD 用组内标准差对差异进行标准化，因此没有原始单位。

SMD 的临床解释通常不如 MD 直接。

3. 时间结局使用 HR

对于：

总生存期；
无事件生存期；
复发时间；
首次并发症发生时间；

应优先使用 HR。

不能仅根据某一时间点的事件比例，把生存资料简单转换成 RR 而忽略随访时间。

十三、从文章中提取到什么数据可以直接使用

情况一：文章已经报告效应量和 SE

例如：

adjusted log(OR) = -0.42
SE = 0.18

可以直接录入：

study,effect,se
Study_A,-0.42,0.18

情况二：文章报告 OR、RR 或 HR 及其 CI

例如：

OR = 0.70
95% CI 0.50～0.98

不能把原始 OR 和原始 CI 直接作为通用逆方差分析中的 effect 和 SE。

应先转换为自然对数：

ln(OR) = ln(0.70)

再由置信区间计算 SE。

情况三：文章报告两组事件数和总人数

可以自己计算：

OR；
RR；
RD；
相应 SE。

情况四：文章报告两组均值、SD 和样本量

可以计算：

MD 和 SE；
或 SMD 和 SE。

情况五：文章只报告中位数和四分位数

不能简单地把：

中位数当均值；
IQR 当 SD。

如确需转换，应使用预先规定并经过验证的方法，同时进行敏感性分析，并在论文中报告转换方法。

如果能联系作者获得均值和 SD，通常优先联系作者。

情况六：只提供图形

可以尝试：

查找补充材料；
查找试验注册结果；
联系作者；
使用数字化工具读取图中数值。

从图形估计的数据必须进行双人核对，并记录其来源。

情况七：只提供 P 值

有时可以从精确 P 值和效应估计反推 SE，但四舍五入的 P 值会造成较大误差。

应优先寻找：

CI；
SE；
原始事件数；
均值和 SD；
补充材料；
作者提供的数据。

十四、二分类结局怎样从原始事件数计算 OR

建立标准 2×2 表：

	发生事件	未发生事件
干预组	a	b
对照组	c	d

其中：

b = 干预组总人数 - a
d = 对照组总人数 - c

1. OR

OR = a×d ÷ (b×c)

2. ln(OR)

lnOR = LN(OR)

3. ln(OR) 的 SE

SE_lnOR = SQRT(1/a + 1/b + 1/c + 1/d)

Excel 公式

假设：

B2 = a
C2 = 干预组总人数
D2 = c
E2 = 对照组总人数

则：

b = C2-B2
d = E2-D2

OR：

=(B2*(E2-D2))/((C2-B2)*D2)

lnOR：

=LN((B2*(E2-D2))/((C2-B2)*D2))

SE：

=SQRT(1/B2+1/(C2-B2)+1/D2+1/(E2-D2))

十五、一个完整的 OR 计算示例

研究报告：

干预组：100例，12例发生术后恶心
对照组：100例，25例发生术后恶心

因此：

a = 12
b = 88
c = 25
d = 75

OR：

OR = 12×75 ÷ (88×25)
   = 0.409

lnOR：

lnOR = ln(0.409)
     = -0.894

SE：

SE = √(1/12 + 1/88 + 1/25 + 1/75)
   = 0.385

因此录入网站的数据是：

study,log_or,se_log_or
Smith_2020,-0.8938,0.3847

不是：

study,or,se
Smith_2020,0.409,0.3847

因为 0.3847 是 lnOR 的 SE，而不是原始 OR 尺度的 SE。

十六、二分类结局怎样计算 RR

2×2 表仍为：

	发生事件	未发生事件
干预组	a	b
对照组	c	d

设：

n1 = a+b
n0 = c+d

1. RR

RR = [a/n1] ÷ [c/n0]

2. ln(RR)

lnRR = LN(RR)

3. ln(RR) 的 SE

SE_lnRR =
SQRT(
1/a - 1/n1
+
1/c - 1/n0
)

Excel 示例：

=LN((B2/C2)/(D2/E2))

SE：

=SQRT(1/B2-1/C2+1/D2-1/E2)

网站录入：

study,log_rr,se_log_rr
Study_A,-0.3567,0.1742

并在参数中勾选指数转换，使报告把合并后的 logRR 转回 RR。

十七、零事件研究怎样处理

如果某项研究某一格为 0：

a=0

OR 的常规公式和 SE 公式会出现除以 0。

传统处理方法之一，是对该研究四个格子都加 0.5：

a+0.5
b+0.5
c+0.5
d+0.5

但这种连续性校正并非在所有情况下都理想。

特别要注意：

1. 单组零事件

例如干预组 0 例、对照组 4 例，可以采用适当方法计算，但结果对所选校正方法可能敏感。

2. 双组零事件

例如两组均无事件。

这类研究无法提供 OR 或 RR 的相对效应信息，不能简单套用普通 lnOR 公式。

3. 罕见事件

对于非常罕见的结局，常规逆方差法和简单 0.5 校正可能产生偏倚。

此时可能需要：

Mantel–Haenszel 方法；
Peto OR；
广义线性混合模型；
Beta-binomial 模型；
其他罕见事件方法。

当前网站基础 Meta 模块以“效应量+SE”的通用逆方差分析为主。罕见事件或大量零事件资料，建议在统计学人员指导下处理。

十八、怎样由 OR、RR 或 HR 的置信区间计算 SE

假设文章报告：

OR = 0.70
95% CI 0.50～0.98

第一步：全部转成自然对数

lnOR = LN(0.70)
lnLower = LN(0.50)
lnUpper = LN(0.98)

第二步：计算 SE

对于 95% CI：

SE =
[lnUpper - lnLower] ÷ (2×1.96)

也可以使用：

SE =
[lnUpper - lnOR] ÷ 1.96

或：

SE =
[lnOR - lnLower] ÷ 1.96

如果 CI 因四舍五入并非完全对称，使用上下限差值的方法通常更稳定。

Excel：

=LN(OR)

=(LN(CI上限)-LN(CI下限))/(2*1.96)

不同置信水平的 Z 值

90% CI：1.645
95% CI：1.960
99% CI：2.576

不能把原文的 90% CI 当成 95% CI 计算。

十九、连续结局怎样计算 MD 和 SE

假设：

干预组：
n1
mean1
sd1

对照组：
n0
mean0
sd0

1. MD

MD = mean1 - mean0

应提前固定方向。

例如统一规定：

效应量 = 干预组 - 对照组

不能某些研究使用干预减对照，另一些研究使用对照减干预。

2. MD 的 SE

SE_MD =
SQRT(
sd1²/n1
+
sd0²/n0
)

示例

干预组：n=50，苏醒时间均值12 min，SD=4
对照组：n=48，苏醒时间均值16 min，SD=5

MD：

12 - 16 = -4 min

SE：

SE =
√(4²/50 + 5²/48)
= √(0.32 + 0.521)
= 0.917

CSV：

study,md,se_md
Study_A,-4.000,0.917

页面设置：

effect_col：md
se_col：se_md
measure_label：Mean difference (min)
exponentiate：不勾选

如果结局是苏醒时间，负值表示干预组时间更短。

二十、怎样计算 SMD

当研究测量的是同一概念，但使用不同量表时，可使用 SMD。

例如：

研究 A 使用焦虑量表 0～10；
研究 B 使用焦虑量表 0～20；
研究 C 使用另一种标准化问卷。

不能直接合并原始 MD，因为量表单位不同。

1. 合并标准差

SDpooled =
SQRT{
[(n1-1)sd1² + (n0-1)sd0²]
÷
(n1+n0-2)
}

2. Cohen's d

d =
(mean1-mean0) ÷ SDpooled

3. 小样本校正

常使用 Hedges' g：

g = J × d

近似校正系数：

J =
1 - 3/[4(n1+n0)-9]

SMD 的 SE 应使用专门公式计算。为了减少手工公式错误，建议使用经过验证的电子表格或统计软件计算 Hedges' g 和 SE，再将二者导入网站。

4. 方向必须统一

不同量表可能存在：

分数越高越好；
分数越高越差。

在合并前必须将方向统一。

如有必要，可将某些研究的效应量乘以 -1。

二十一、变化值和治疗后数值能否合并

连续结局可能报告：

治疗后均值；
基线到治疗后的变化值。

两者不一定能够不加区分地合并。

变化值的 SD 取决于基线与随访测量的相关性：

SD_change² =
SD_baseline²
+
SD_final²
-
2r×SD_baseline×SD_final

其中 r 是相关系数。

如果文章不报告变化值 SD，也没有 r，不能随意计算。

研究方案应预先规定：

优先使用治疗后值；
还是优先使用变化值；
两者是否允许合并；
如何进行敏感性分析。

二十二、只有 SE、SD 或 CI 时怎样互相换算

1. 已知均值的 SE，计算 SD

如果文章报告的是组均值的 SE：

SD = SE × √n

注意，这里的 SE 是“组均值的 SE”，不是“两组差值的 SE”。

2. 已知效应量的 95% CI，计算效应量 SE

对于 MD、SMD 或回归系数等差值尺度：

SE =
(CI上限-CI下限) ÷ (2×1.96)

对于 OR、RR、HR：

SE_log =
[ln(CI上限)-ln(CI下限)] ÷ (2×1.96)

3. 不要混淆组内参数与组间参数

以下数据不同：

干预组均值的 SE
对照组均值的 SE
两组 MD 的 SE

网站需要的是最终效应量的 SE。

二十三、HR 数据怎样录入

若文章报告：

adjusted HR = 0.76
95% CI 0.60～0.96

计算：

log_hr = LN(0.76)

se_log_hr =
[LN(0.96)-LN(0.60)]/(2×1.96)

CSV：

study,log_hr,se_log_hr
Study_A,-0.2744,0.1199

页面设置：

effect_col：log_hr
se_col：se_log_hr
measure_label：log(HR)
exponentiate：勾选

报告中的 exponentiated result 才是 HR。

如果只有 Kaplan–Meier 曲线而没有 HR，需要专门的生存数据重建方法。初学者不应仅凭曲线上的几个点自行估算 HR。

二十四、调整后效应与未调整效应怎样处理

观察性研究常同时报告：

crude OR；
adjusted OR。

通常应优先提取与研究方案一致、混杂调整较充分的 adjusted effect。

例如：

adjusted OR = 0.68
95% CI 0.49～0.95

提取：

log_adjusted_or
se_log_adjusted_or

同时记录调整变量：

age
sex
disease_severity
center
baseline_risk

不建议在一个 Meta 分析中随意混合：

部分研究的调整后效应；
部分研究的未调整效应。

如无法避免，应：

事先规定选择规则；
在表格中标明；
做敏感性分析；
谨慎解释。

二十五、特殊研究设计需要额外处理

1. 多臂试验

例如：

低剂量组；
高剂量组；
同一个对照组。

如果将低剂量对照比较和高剂量对照比较作为两个独立研究，对照组会被重复使用。

处理方式可能包括：

合并两个干预组；
合理拆分对照组；
使用能够处理相关性的模型。

2. 交叉试验

交叉试验中的两组观测来自同一批患者，不能按两个独立平行组处理。

需要配对分析信息或组内相关性。

3. 整群随机试验

以医院、学校或病区为单位随机分组时，患者并非完全独立。

应优先提取已经校正聚类效应的结果。

若原分析未校正，可能需要根据设计效应调整 SE：

调整后SE =
原SE × √设计效应

4. 重复测量

同一研究中多个时间点的结果相关。

不能把每个时间点当成一项完全独立研究放入同一个 Meta 分析。

5. 同一研究的多个结局定义

必须按照预先规定的层级选择一个结果，或使用能够处理相关效应量的高级模型。

当前网站基础 Meta 模块把每一行视为一个独立效应量，不自动处理上述相关性。

二十六、怎样建立最终 CSV

网站 Meta 工具采用研究级数据。

1. 每一行代表什么

每一行应代表：

一项独立研究；
或一个可视为独立的研究比较；
或一个已经正确处理相关性的独立效应估计。

不是一名患者一行。

2. 推荐的基本格式

使用 SE

study,effect,se,subgroup
Study_A,-0.8938,0.3847,RCT
Study_B,-0.6585,0.3317,RCT
Study_C,-0.7006,0.4696,RCT

使用 CI

study,effect,ci_low,ci_high,subgroup
Study_A,-0.8938,-1.6479,-0.1397,RCT
Study_B,-0.6585,-1.3088,-0.0082,RCT
Study_C,-0.7006,-1.6208,0.2196,RCT

如果 effect 是 lnOR，CI 上下限也必须是 lnOR 尺度。

3. 建议保留原始提取列

最终分析 CSV 可以同时保留：

study,event_t,n_t,event_c,n_c,or,log_or,se_log_or,design,year

网站参数只选择：

effect_col = log_or
se_col = se_log_or

其余列可用于核查和筛选。

4. 推荐列名

使用英文、数字和下划线：

study
year
log_or
se_log_or
design
region
risk_of_bias

不建议：

效应值（对数）
OR的95%CI上限
研究名称/年份

5. 数值单元格只放数字

正确：

-0.8938
0.3847

不正确：

OR=0.41
0.3847(SE)
0.19～0.87

6. 不要使用百分号和单位

正确：

0.12

不正确：

12%

正确：

4.5

不正确：

4.5 min

7. 保存格式

建议：

UTF-8 编码；
逗号分隔；
.csv 扩展名；
第一行为列名；
不使用合并单元格；
不使用 Excel 公式作为最终值。

保存前最好把公式结果复制并“粘贴为数值”。

二十七、完整示例：从三篇文章建立 OR Meta CSV

假设研究问题是：

干预措施能否减少术后恶心？

三项研究报告：

研究	干预组事件/总数	对照组事件/总数
Smith 2020	12/100	25/100
Wang 2021	18/120	30/118
Lee 2022	8/80	15/82

计算后：

研究	OR	lnOR	SE lnOR
Smith 2020	0.409	-0.894	0.385
Wang 2021	0.518	-0.658	0.332
Lee 2022	0.496	-0.701	0.470

CSV：

study,log_or,se_log_or
Smith_2020,-0.8938,0.3847
Wang_2021,-0.6585,0.3317
Lee_2022,-0.7006,0.4696

二十八、如何进入网站 Meta 分析工具

我的
→ 统计分析
→ 上传 CSV
→ 选择 Meta 分析模板

Meta 分析模板的核心思想是：

每项研究提供：
效应量
+
标准误

也可以提供：

效应量
+
CI下限
+
CI上限

系统会基于通用逆方差法进行合并。

二十九、网站 Meta 参数怎样设置

1. 研究标签列：study_col

选择用于显示研究名称的列，例如：

study
author_year
trial_name

本例选择：

study

如果不选择，系统可以自动显示：

Study 1
Study 2
Study 3

但正式报告建议提供研究名称。

2. 效应量列：effect_col

这是必填项。

本例选择：

log_or

其他可能值包括：

log_rr
log_hr
md
smd
beta

3. 标准误列：se_col

本例选择：

se_log_or

SE 必须：

为数值；
大于 0；
与 effect 使用同一统计尺度。

4. CI 下限和上限

如果没有 SE，可以选择：

lower_col
upper_col

必须同时提供上下限。

如果 effect 是 lnOR：

lower_col 和 upper_col 也必须是 lnOR尺度

如果 effect 是 MD：

CI也必须是MD尺度

5. 置信水平：conf_level

根据原研究的 CI 选择：

90%
95%
99%

大多数临床研究使用 95%。

本例选择：

95%

6. 效应量名称：measure_label

本例填写：

log(OR)

对于 MD 可以填写：

Mean difference (min)

对于 SMD：

Standardized mean difference

该字段只改变显示文字，不会自动转换数据。

7. 指数转换：exponentiate

当 effect 是以下形式时勾选：

log(OR)
log(RR)
log(HR)

系统会显示：

exp(effect)

即转换回：

OR
RR
HR

本例必须勾选。

以下情况不要勾选：

MD
SMD
原始回归系数

8. 模型：meta_model

页面可选择：

固定效应；
随机效应；
固定效应和随机效应。

当前版本建议选择：

固定效应 + 随机效应

报告会同时给出两种结果，便于比较。

最终论文中应根据研究方案明确哪一个是主要模型。

9. 分析子集：subset_col

例如 CSV 中有：

design

取值：

RCT
cohort

可以只选择：

RCT

这会筛选研究后重新分析。

注意：子集筛选不等同于正式的亚组差异检验。

10. 提交任务

设置完成后：

保存参数并提交统计

任务将交给 R 统计服务处理。

三十、通用逆方差法是怎样计算的

设第 i 项研究的效应量为：

yi

标准误为：

SEi

方差为：

SEi²

固定效应模型中的权重：

wi = 1/SEi²

汇总效应：

合并效应 =
Σ(wi×yi) ÷ Σwi

这意味着：

SE 小的研究权重大；
SE 大的研究权重小；
精确研究对总体结果影响更大。

例如：

研究A：SE=0.10
研究B：SE=0.40

其固定效应权重与：

1/0.10² = 100
1/0.40² = 6.25

成比例。

研究 A 的统计信息明显更多，因此权重更大。

三十一、固定效应模型是什么意思

固定效应模型假设：

所有研究估计的是同一个共同真实效应。

研究结果之间的差异主要来自抽样误差。

固定效应权重：

1/SE²

适用于研究在以下方面高度相似，且研究问题确实针对共同效应的情况：

人群；
干预；
对照；
结局；
时间点；
研究方法。

需要注意：

“固定效应”不是指干预效果永远固定不变，而是一种模型假设。

三十二、随机效应模型是什么意思

随机效应模型假设：

不同研究的真实效应可以存在差异，这些真实效应来自一个总体分布。

随机效应权重通常为：

1/(SE²+tau²)

其中：

tau²

表示研究间真实效应方差。

当前网站基础 Meta 报告采用 DerSimonian–Laird 方法估计 tau²。

随机效应模型通常更适合存在以下差异的临床研究：

不同医院；
不同年龄；
不同剂量；
不同操作人员；
不同随访时间；
不同干预细节。

随机效应模型通常会：

降低大研究与小研究之间的权重差距；
产生更宽的置信区间；
估计一组可能真实效应的平均值。

三十三、应该选固定效应还是随机效应

不能只使用如下机械规则：

I²<50%用固定效应
I²≥50%用随机效应

模型选择应主要由临床和方法学问题决定。

可考虑固定效应的情况

研究高度相似；
目标是估计这些特定研究共有的共同效应；
方案预先指定固定效应。

可考虑随机效应的情况

不同研究的真实效应可能确实不同；
研究场景、剂量、人群或方法存在合理差异；
目标是估计平均效应。

建议

对于多数跨中心临床研究的 Meta 分析，可以预先指定随机效应为主要模型，同时报告固定效应结果作为比较。

研究数量很少时，随机效应方差估计可能不稳定，应谨慎解释。

三十四、网站报告包括什么

当前 Meta 报告主要包括：

纳入分析的数据表；
固定效应汇总结果；
随机效应汇总结果；
异质性指标；
森林图；
漏斗图；
HTML 报告；
结构化结果文件；
PNG/PDF 图形文件。

三十五、怎样检查 Data 表

首先不要急着看 P 值。

应先检查每一项研究：

名称是否正确；
effect 是否正确；
SE 是否大于 0；
效应方向是否统一；
有没有少研究；
有没有重复研究；
有没有明显小数点错误；
CI 是否符合原文；
权重是否异常。

常见录入错误

例如原文：

OR = 0.70

误录成：

logOR = 0.70

正确应为：

logOR = ln(0.70) = -0.357

这种错误会完全改变结果方向。

三十六、怎样看汇总结果

假设报告显示随机效应：

logOR = -0.746
95% CI -1.181～-0.311
P<0.001

指数转换后：

OR = 0.474
95% CI 0.307～0.732

正确解释

如果事件是不良结局，且效应方向定义为干预组相对于对照组：

干预组发生该事件的优势约为对照组的 0.47 倍。

或者：

干预与较低的事件优势相关，汇总 OR 为 0.47，95% CI 0.31～0.73。

不够严谨的解释

干预使风险下降了 53%。

因为：

1-OR

是优势的相对变化，不一定等于风险下降比例。

如果分析的是 RR=0.47，才可以解释为风险约下降 53%。

三十七、怎样判断统计学显著

比值型效应

包括：

OR；
RR；
HR。

原始尺度的无效应值：

如果 95% CI 跨过 1，通常表示在双侧 0.05 水平下没有统计学显著性。

在对数尺度：

log(1)=0

所以 lnOR、lnRR、lnHR 的无效应值是 0。

差值型效应

包括：

MD；
SMD；
回归系数。

无效应值：

CI 跨过 0，通常表示没有统计学显著性。

显著不等于重要

例如：

MD = -0.3 min
95% CI -0.5～-0.1

虽然统计学显著，但缩短 18 秒是否具有临床意义，需要结合临床背景判断。

三十八、怎样看森林图

森林图通常包括：

每项研究名称；
每项研究的点估计；
每项研究的 CI；
研究权重；
无效应参考线；
汇总效应菱形。

1. 方块或点

表示单项研究效应量。

方块越大，通常表示权重越大。

2. 水平线

表示研究的 CI。

线越短，估计越精确。

3. 参考线

对于：

MD、SMD、logOR、logRR、logHR

参考线为 0。

对于原始：

OR、RR、HR

参考线为 1。

当前网站在输入 logOR、logRR 或 logHR 时，森林图主要使用输入的对数尺度，因此参考线为 0。

4. 菱形

菱形中心表示汇总效应，宽度表示汇总 CI。

如果菱形跨过无效应线，汇总效应通常不具有统计学显著性。

5. 方向判断

必须结合你对效应量方向的定义。

例如：

MD = 干预组 - 对照组

对于苏醒时间：

MD<0

可能有利于干预。

对于血压：

MD<0

未必有利。

因此图上“左侧有利”还是“右侧有利”不能脱离结局定义判断。

三十九、怎样看异质性

报告通常包括：

Q；
Q 检验 P 值；
I²；
H²；
tau²。

1. Q 检验

Q 检验评价研究差异是否超过抽样误差能够解释的范围。

局限：

研究少时检验效能低；
研究很多时微小差异也可能显著。

因此不能只看 Q 检验 P 值。

2. I²

I² 描述观察到的研究间变异中，可能有多大比例不是由单纯抽样误差造成。

常见的粗略参考：

0%～25%：较低
25%～50%：可能中等
50%～75%：可能较高
>75%：可能很高

这些范围不是绝对诊断标准。

I² 还受以下因素影响：

研究数量；
研究精度；
效应大小；
CI 宽度；
所用模型。

3. tau²

tau² 是随机效应模型中的研究间方差。

它位于效应量的平方尺度。

例如：

logOR Meta 的 tau²；
MD Meta 的 tau²；

不能直接比较其数值大小。

4. 异质性高时怎么办

首先检查错误：

数据是否录错；
效应方向是否相反；
单位是否不一致；
时间点是否混合；
相同研究是否重复；
OR 与 RR 是否混用；
调整后与未调整效应是否混用。

然后考虑临床解释：

年龄不同；
剂量不同；
手术类型不同；
结局定义不同；
随访时间不同；
研究设计不同；
偏倚风险不同。

不能仅因为 I² 高就删除某项研究。

四十、怎样进行亚组分析

亚组分析用于探讨效应是否因某些研究特征而不同。

例如：

儿童 vs 成人
随机试验 vs 观察性研究
低剂量 vs 高剂量
超声引导 vs 非超声引导
高偏倚风险 vs 低偏倚风险

网站可以通过 subset_col 筛选某一组研究后重新分析。

例如 CSV：

study,log_or,se_log_or,design
Study_A,-0.42,0.18,RCT
Study_B,-0.31,0.20,RCT
Study_C,-0.08,0.25,Cohort

设置：

subset_col = design
subset_include_values = RCT

即可只分析 RCT。

注意

分别观察两个亚组：

A 组显著；
B 组不显著；

并不等于 A 与 B 之间存在显著差异。

正式判断亚组效应需要组间差异检验或 Meta 回归。

当前基础网站工具的子集功能主要用于筛选分析，不自动完成正式交互检验。

四十一、怎样进行敏感性分析

敏感性分析用于判断结论是否依赖某些分析选择。

常见方法：

排除高偏倚风险研究；
只纳入随机对照试验；
排除需要数据估算的研究；
排除极端效应研究；
固定效应与随机效应比较；
排除样本量很小的研究；
只保留调整后效应；
改变零事件处理方式；
留一法分析。

留一法

每次删除一项研究重新分析，观察汇总结果是否发生明显变化。

如果去掉某一研究后：

效应方向改变；
显著性改变；
I² 大幅降低；
汇总效应大幅变化；

应进一步检查该研究的：

人群；
干预；
数据；
方法；
偏倚风险。

当前网站基础模块不自动批量完成留一法，但可以复制任务并逐次使用子集或删除相应研究进行复核。

四十二、怎样看漏斗图

漏斗图通常使用：

横轴：效应量；
纵轴：SE。

精确度高的大研究通常位于上部，并靠近总体效应。

精确度低的小研究通常分布更宽。

漏斗图不对称可能是什么原因

发表偏倚；
小样本效应；
临床异质性；
研究质量不同；
不同研究使用不同结局定义；
数据提取错误；
偶然变异。

因此：

漏斗图不对称不能单独证明存在发表偏倚。

研究数量少时

当研究不足约 10 项时，漏斗图通常很难可靠判断不对称。

当前网站会生成基础漏斗图，但不会自动完成：

Egger 检验；
Begg 检验；
trim-and-fill；
ROB-ME 评价。

即使检验显著，也不能简单断言“存在发表偏倚”，仍需结合试验注册、选择性报告和缺失证据评价。

四十三、怎样评价证据确定性

Meta 分析得到一个显著结果，并不等于结论可靠。

可以使用 GRADE 从以下方面评价证据确定性：

偏倚风险；
不一致性；
间接性；
不精确性；
发表偏倚。

最终可评为：

高；
中；
低；
极低。

示例

某 Meta 分析显示：

OR = 0.55
95% CI 0.40～0.75

但如果：

大部分研究未盲法；
结局定义不一致；
样本量很小；
存在选择性报告；

证据确定性仍可能很低。

四十四、什么时候不应该合并

以下情况不应为了得到森林图而强行合并：

临床问题不同；
人群明显不同；
干预差异过大；
对照方式不同；
结局定义不兼容；
时间点无法统一；
效应方向不明确；
数据重复；
研究设计不可比较；
无法获得效应量的不确定性；
只有一项研究；
统计合并会掩盖重要临床差异。

这时可以：

做结构化叙述性综合；
分开报告；
按预设类别分组；
解释为何没有进行 Meta 分析。

四十五、当前网站基础 Meta 工具能做什么

当前模块适合：

通用逆方差 Meta 分析；
输入效应量和 SE；
或输入效应量及 CI；
固定效应分析；
随机效应分析；
DerSimonian–Laird tau²；
Q、I²、H² 和 tau²；
森林图；
漏斗图；
子集筛选；
对 logOR、logRR 和 logHR 进行指数转换。

适合的输入包括：

logOR + SE
logRR + SE
logHR + SE
MD + SE
SMD + SE
调整后回归系数 + SE

四十六、当前基础工具暂不自动完成什么

当前版本不自动完成：

从 2×2 原始事件数计算 OR/RR；
从均值、SD 和样本量计算 MD/SMD；
中位数和 IQR 转换；
多臂试验相关性处理；
交叉试验配对处理；
聚类试验设计效应校正；
罕见事件高级模型；
Hartung–Knapp 校正；
REML 或 Paule–Mandel tau²；
预测区间；
正式亚组差异检验；
Meta 回归；
自动留一法；
Egger 或 Begg 检验；
trim-and-fill；
RoB 2 或 ROBINS-I 评价；
GRADE 评价。

因此，网站负责的是统计合并阶段，不能替代前面的系统综述工作和方法学判断。

四十七、怎样写论文的统计学方法

以下文字可以根据实际研究修改：

We conducted pairwise meta-analyses using the generic inverse-variance method. Effect estimates from individual studies were entered together with their corresponding standard errors. Ratio measures, including odds ratios, risk ratios, and hazard ratios, were analysed on the natural logarithmic scale and exponentiated for presentation. Both fixed-effect and random-effects models were examined, with the random-effects model specified as the primary analysis because clinical and methodological variation across studies was anticipated. Between-study variance was estimated using the DerSimonian–Laird method. Statistical heterogeneity was assessed using Cochran's Q test, I², H², and tau². Forest plots were used to display individual and pooled effects. Funnel plots were examined when sufficient studies were available. Two-sided P values below 0.05 were considered statistically significant.

中文可写为：

本研究采用通用逆方差法进行两两 Meta 分析。每项研究的效应量及其标准误被用于统计合并。OR、RR 和 HR 等比值型效应量首先转换至自然对数尺度进行分析，并在结果展示时进行指数转换。考虑到纳入研究之间可能存在临床和方法学差异，以随机效应模型作为主要分析，并同时报告固定效应结果。研究间方差采用 DerSimonian–Laird 方法估计。使用 Cochran Q 检验、I²、H² 和 tau² 评价异质性，并使用森林图展示单项研究和汇总效应。在纳入研究数量允许的情况下，通过漏斗图探索小样本效应和可能的发表偏倚。双侧 P<0.05 被认为具有统计学意义。

应根据实际情况删除没有进行的分析。

四十八、怎样写论文结果

假设分析结果为：

随机效应OR = 0.47
95% CI 0.31～0.73
I² = 0%

可以写：

Three studies were included in the meta-analysis. The intervention was associated with lower odds of postoperative nausea compared with the control intervention (random-effects OR 0.47, 95% CI 0.31–0.73). Statistical heterogeneity was low (I²=0%).

中文：

共 3 项研究纳入 Meta 分析。与对照组相比，干预组术后恶心的发生优势较低，随机效应模型汇总 OR 为 0.47，95% CI 为 0.31～0.73。研究间统计学异质性较低，I²为 0%。

不要写：

该干预一定可以使恶心风险下降 53%。

除非效应量是 RR，并且研究设计和证据确定性支持因果解释。

四十九、初学者最容易犯的错误

错误一：把每名患者作为 Meta CSV 的一行

Meta CSV 中每一行通常应代表一项研究效应量。

错误二：把 SD 当成效应量 SE

网站需要的是：

SE of effect estimate

不是：

组内 SD

错误三：把原始 OR 和 logOR 的 SE 放在一起

效应量和 SE 必须处于相同尺度。

错误四：OR、RR、HR 混在一个分析中

应选择统一的效应量。

错误五：不统一方向

所有研究必须统一为：

干预组相对于对照组

或统一为相反方向。

错误六：混合不同时间点

术后 30 分钟和术后 24 小时通常不能直接合并。

错误七：同一试验重复纳入

多篇文章可能来自同一批患者。

错误八：只根据 P 值提取结果

应提取效应大小和不确定性。

错误九：看到 I² 高就删除研究

先检查数据和临床原因。

错误十：把漏斗图不对称等同于发表偏倚

漏斗图不对称有多种原因。

错误十一：显著结果等同于高质量证据

还要评价偏倚风险和 GRADE。

错误十二：先看结果再决定结局和模型

主要结局和分析方案应尽量预先规定。

五十、初学者完成一次 Meta 分析的标准工作清单

研究设计阶段

文献阶段

数据阶段

计算阶段

确定 OR/RR/RD/MD/SMD/HR；
比值型效应转换为自然对数；
计算正确的 SE；
检查零事件；
检查多臂、聚类、交叉和重复测量；
核对计算结果与原文。

CSV 阶段

每行代表独立研究效应；
第一行为列名；
只保留纯数字；
效应量和 SE 同尺度；
保存为 UTF-8 CSV；
保留原始数据和计算公式副本。

网站阶段

结果阶段

结语

Meta 分析的本质不是制作一张漂亮的森林图，而是用透明、可重复的方法回答一个重要临床问题。

一项可信的 Meta 分析依赖于完整的工作链：

明确问题
→ 制定方案
→ 系统检索
→ 规范筛选
→ 正确提取
→ 偏倚评价
→ 统一效应量
→ 计算效应量和SE
→ 建立CSV
→ 统计合并
→ 异质性与敏感性分析
→ 证据确定性评价
→ 规范报告

网站工具可以帮助研究者快速完成通用逆方差统计、森林图和漏斗图，但它无法自动决定：

哪些研究应当纳入；
哪些结局可以合并；
哪种效应量最合理；
数据转换是否科学；
偏倚是否严重；
结论是否具有临床意义。

真正决定 Meta 分析质量的，不是统计按钮，而是研究问题、数据质量、方法设计和临床判断。

参考文献

Pearson K. Report on certain enteric fever inoculation statistics. BMJ. 1904.
Glass GV. Primary, Secondary, and Meta-Analysis of Research. Educational Researcher. 1976;5(10):3-8.
Higgins JPT, Thomas J, Chandler J, et al, editors. Cochrane Handbook for Systematic Reviews of Interventions. Version 6.5. Cochrane; 2024.
Deeks JJ, Higgins JPT, Altman DG, et al. Analysing data and undertaking meta-analyses. In: Cochrane Handbook for Systematic Reviews of Interventions.
McKenzie JE, Brennan SE, Ryan RE, et al. Defining the criteria for including studies and how they will be grouped for the synthesis. In: Cochrane Handbook.
Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71.
Page MJ, Moher D, Bossuyt PM, et al. PRISMA 2020 explanation and elaboration. BMJ. 2021;372:n160.
Higgins JPT, Savović J, Page MJ, Elbers RG, Sterne JAC. Assessing risk of bias in a randomized trial. In: Cochrane Handbook.
Sterne JAC, Hernán MA, McAleenan A, et al. Assessing risk of bias in a non-randomized study. In: Cochrane Handbook.
GRADE Working Group. GRADE Handbook and guidance for rating the certainty of evidence.

从零开始完成一项临床 Meta 分析

Meta 分析常被理解为“把几篇文章的数据放在一起算一个总结果”。这个理解只说对了一小部分。

一、Meta 分析是怎样产生的

1. 单项研究为什么经常不能给出确定答案

2. Meta 分析方法的历史

3. Meta 分析真正合并的是什么

二、Meta 分析能解决哪些临床科学问题

1. 提高效应估计的精确度

2. 评价研究结果是否一致

3. 发现单项研究难以观察的效应

4. 比较临床结论的稳健性

5. 为指南和临床决策提供总体证据

6. Meta 分析不能解决什么

三、系统综述和 Meta 分析不是同一个概念

系统综述

Meta 分析

四、第一步：把临床疑问改写成可研究的问题

1. 干预性问题使用 PICO

2. 观察性研究使用 PECO

3. 进一步限定研究设计和时间

4. 一个好的 Meta 问题应满足什么条件

五、第二步：在检索之前写好方案

六、第三步：制定纳入和排除标准

示例

纳入标准

排除标准

不要只写模糊标准

七、第四步：系统检索文献

1. 检索式的基本结构

2. 不建议在检索中过早加入结局词

3. 保存完整检索记录

八、第五步：筛选研究并识别重复报告

一个试验可能对应多篇文章

九、第六步：建立数据提取表

1. 研究基本信息

2. 人群信息

3. 干预信息

4. 对照信息

5. 结局信息

6. 为什么必须记录结局定义和时间点

十、第七步：评价偏倚风险

1. 随机对照试验

2. 非随机干预研究

3. 偏倚风险不能简单转成总分

十一、理解 Meta 分析所需的三个基本概念

1. 效应量

二分类结局

连续结局

生存或时间结局

2. 标准误

3. 置信区间

十二、怎样选择效应量

1. 二分类结局：RR、OR 还是 RD

RR

OR

RD

选择原则

2. 连续结局：MD 或 SMD

MD

SMD

3. 时间结局使用 HR

十三、从文章中提取到什么数据可以直接使用

情况一：文章已经报告效应量和 SE

情况二：文章报告 OR、RR 或 HR 及其 CI

情况三：文章报告两组事件数和总人数

情况四：文章报告两组均值、SD 和样本量

情况五：文章只报告中位数和四分位数

情况六：只提供图形

情况七：只提供 P 值

十四、二分类结局怎样从原始事件数计算 OR

1. OR

2. ln(OR)

3. ln(OR) 的 SE

Excel 公式

十五、一个完整的 OR 计算示例

十六、二分类结局怎样计算 RR

1. RR

2. ln(RR)

3. ln(RR) 的 SE

十七、零事件研究怎样处理