AppRaise：基于后验混合模型的系统评价证据不确定性量化软件及其在健康技术评估中的应用

来自多伦多大学的研究团队开发了一款名为AppRaise的免费网络交互软件，通过后验混合模型整合随机误差与偏倚量化评估，解决了系统评价中偏倚难以定量化的难题。应用案例显示，该软件对连续葡萄糖监测技术降低A1c水平的效果评估达到86%确定性，与其它定量偏倚校正方法结果一致，为证据质量验证和参数敏感性分析提供了重要工具。

　　

系统评价是循证医疗决策的基石，然而尽管随机误差的定量评估相对直接（因原始研究通常已报告），对偏倚(Bias)的评估却长期停留在定性描述层面。由于原始研究很少提供偏倚及其不确定性的量化估计，导致系统评价也罕有纳入此类测量。证据评估者还常面临时间限制和技术挑战，难以自主开展定量偏倚评估。鉴于多重偏倚与随机误差共同导致点估计值偏离真值，将全面定量化的不确定性方法融入系统评价至关重要——这些方法需将随机误差与偏倚整合为统一的不确定性度量，并通过用户友好型软件便捷呈现。

为应对此需求，研究人员开发了后验混合模型(Posterior Mixture Model)并推出AppRaise这一免费网络交互软件。通过针对1型糖尿病患者连续葡萄糖监测(Continuous Glucose Monitoring, CGM)对比自我血糖监测(Self-Monitoring of Blood Glucose)降低糖化血红蛋白(Hemoglobin A1c)效果的健康技术评估(Health Technology Assessment, HTA)案例应用，结果显示：AppRaise软件给出86%概率表明CGM能平均降低A1c水平，该结论与其它定量偏倚校正方法高度一致。

AppRaise既可作为独立工具使用，亦可作为定性评分法证据质量验证的补充手段，同时对评估原始研究潜在偏倚引起的参数估计敏感性具有重要价值。作者声明无利益冲突。