综述：临床试验中的系统评价与荟萃分析

这篇综述深入探讨了系统评价（SR）和荟萃分析（MA）在临床研究中的核心作用，强调其通过标准化流程（如预定义协议）整合证据、减少偏倚的价值，同时指出方法学局限（如发表偏倚、异质性）。推荐研究者遵循最佳实践以提升结论可靠性。

　　

Abstract

系统评价（SR）旨在通过全面分析已发表研究来评估干预措施的有效性，其基础是对多数据库的彻底检索，筛选符合预设纳入标准的研究，并提取研究设计、参与者特征和关键结局数据。荟萃分析（MA）则在适当时通过统计方法合并数据，揭示核心发现。二者是循证研究的基石，虽相关但概念不同：SR采用可重复步骤整合证据，MA则量化合成数据。这些方法广泛应用于医学、公共卫生等领域，但需注意其依赖原始研究质量的局限性。

Foundations and methodology

SR和MA需遵循预定义协议以确保透明度和可重复性^1,2
。系统检索和评估所有相关研究可提供证据的全景视图，减少遗漏重要发现的风险，从而最小化偏倚并增强结果可靠性。协议应详细规划方法，涵盖检索策略、数据提取标准等关键环节。

Methods of meta-analysis

常用MA方法包括：

• 加权平均法：以效应量方差的倒数为权重，计算各研究效应估计的加权平均值。
• 随机效应荟萃回归：估计研究间变异后计算回归系数。
• Peto法：分析罕见事件时偏倚更小、效能更高。
• Mantel-Haenszel比值比：适用于二分数据的经典方法。

Limitations

SR和MA的局限性不容忽视：

• 依赖现有研究：合成结果的质量受原始研究缺陷直接影响。
• 发表偏倚：阳性结果的研究更易被发表，导致证据失真。
• 异质性挑战：研究间设计或人群差异可能影响合并结果的解释。

Conclusions

SR和MA是支持决策的强大工具，但需谨慎应对其局限。通过严格遵循规范（如透明报告），研究者可最大化这些方法的价值，推动证据向实践的转化。