《Journal of the Royal Society of Medicine》：A historical review of risk of bias assessment tools for randomised controlled trials
编辑推荐：
系统综述（systematic review）所得结论的有效性，从根本上取决于其所纳入研究结果的可靠性。六十多年来，用于评估随机对照试验（randomised controlled trial, RCT）偏倚风险（risk of bias）的评估工具已发生显著
系统综述（systematic review）所得结论的有效性，从根本上取决于其所纳入研究结果的可靠性。六十多年来，用于评估随机对照试验（randomised controlled trial, RCT）偏倚风险（risk of bias）的评估工具已发生显著演变：从应用于一般医学研究、由5个条目组成的非正式检查表，发展到专为RCT设计、具有算法化结构的工具。方法学评估的概念也随之深化；伴随这些工具的发展，三个不同概念被更清晰地界定：（1）方法学质量（methodological quality），指在研究实施中为避免或减少系统误差而采用的具体方法学保障措施；（2）偏倚风险，指研究结果高估或低估真实效应的风险；（3）报告质量（reporting quality），指研究在科学出版物中被描述的完整性与透明度。本评论对这一演变提供了扩展性历史叙述，追溯了从20世纪60年代初的最早先驱到2025年ROBUST-RCT工具发布的偏倚风险评估发展过程。研究人员曾在《Journal of Evaluation in Clinical Practice》发表过该历史的较短版本，重点聚焦Cochrane协作网的贡献；本文扩展至包括前Cochrane时代全貌及每次迭代发展的更多细节。纵观这段历史，一个反复出现的张力是方法学全面性与实践可用性之间的权衡。每个新工具或更新工具都是为了应对其前身面临的挑战，但在这样做时常引入新的挑战。理解这一张力不仅对方法学历史学家有价值，对在系统综述中经常使用这些工具的任何人也有价值。
论文解读：随机对照试验偏倚风险评估工具的六十年演进
研究背景与问题：系统综述结论的有效性依赖于纳入原始研究的可靠性。过去六十余年，随机对照试验（randomised controlled trial, RCT）的偏倚风险（risk of bias）评估工具从非正式条目清单发展为复杂算法化工具。方法学领域逐渐区分了方法学质量（methodological quality）、偏倚风险（risk of bias）和报告质量（reporting quality）三个概念。然而，工具始终面临方法学全面性与实践可用性之间的张力；每个新工具在解决旧问题的同时常引入新问题，且元研究显示工具在实际中被错误应用的现象持续存在。因此，全面梳理这段历史并审视工具开发与实施之间的缺口，对系统综述实践和方法学发展具有重要意义。
研究人员开展的工作与结论：这篇论文是一篇历史综述，发表于《Journal of the Royal Society of Medicine》。研究人员追溯了从1961年Robin F. Badgley检查表到2025年ROBUST-RCT的完整发展路径，比较各代工具的结构、概念框架和实际应用证据，得出的核心结论是：RCT偏倚风险评估工具在简单与复杂之间周期摆动；未来不能只开发新工具，更需要关注其培训、实施和监督。
关键技术方法：该研究未涉及实验、试剂、培养或质粒构建，也没有样本队列。主要关键技术方法包括：（1）历史文献追溯，系统收集1961—2025年与RCT质量评价和偏倚风险评估相关的原始工具、Cochrane手册版本及方法学评论；（2）结构化文本比较，按年代比较检查表、量表、域评价工具的条目领域、判断层级和算法；（3）对Moher等1995年注释书目中的25个量表和9个检查表进行汇总性分析；（4）对Cochrane偏倚风险评估工具相关元研究证据进行归纳，用于评估实施可靠性；（5）对ROBUST-RCT与既往工具进行同维度结构对比。
研究结果：
前Cochrane时代：早期检查表与量表（The Pre-Cochrane era: Early checklists and scales）
RCT质量评价工具注释书目（An annotated bibliography of scales and checklists for assessing the quality of RCT）：Moher等于1995年系统识别出25个量表和9个检查表，发现这些工具在结构、条目内容和评分方法上差异很大，且均存在根本性弱点，因此没有一种量表能被无保留地推荐。该结论促使Cochrane协作网从第一原则出发制定自己的指南。
最早识别的检查表（The first identified checklist）：1961年Badgley在《Canadian Medical Association Journal》发表了一项采用5条目检查表评估103篇文章的研究。该检查表并非专门针对RCT，但建立了用明确标准系统评估研究方法的先例。
最早的RCT质量量表（The first identified quality scale for RCT）：1981年Chalmers等提出加权质量指数，按试验设计与方案（权重0.60）、统计分析（0.30）、结果呈现（0.10）综合计分，得到0~1标准化分数。其权重设定具有武断性，且单一总分可能掩盖某一领域的严重缺陷。
Jadad量表（The Jadad Scale）：1996年Jadad等提出针对RCT的3条目快速评估工具，包括随机化、盲法和退出的描述，总分0~5，常以3分作为高低质量阈值。优点是简单快速，但混淆了报告质量与方法学质量，未涵盖分配隐藏（allocation concealment），且对无法实施双盲的外科、物理或行为干预试验存在结构性惩罚。
Cochrane早期指导（1994–2006）（Early Cochrane collaboration guidance）
1994工具包（The 1994 toolkit）：1994年3月Cochrane协作网发布首份正式指南，基于Moher等的证据反对使用复杂量表，围绕四类偏倚进行方法学质量评价，并采用低/中/高风险三级判断，强调复杂评分系统并未被证明更可靠。
Cochrane协作网手册（1996和1999）（The Cochrane collaboration handbook）：1996年版将“方法学质量评价”改为“严格评价”，将“排除偏倚”更名“损耗偏倚”，并要求在Review Manager中录入分配隐藏等级（A/B/C/D）；1999年及后续子版本保持该框架。
Cochrane偏倚风险评估工具（2007–2011）（The Cochrane risk of bias tool）
2007年Higgins和Altman在Cochrane方法组通讯中预告新工具，明确区分方法学质量与偏倚风险。它提出6个领域：序列产生、分配隐藏、盲法、结局数据不完整、选择性结局报告、其他偏倚。每领域判断为低/高/未知风险，引入结局层面评估和摘录原文证据的要求。
纳入Cochrane手册（2008–2011）：2008年《Cochrane Handbook》5.0版正式纳入该工具，以“是/否”总括问题引导判断；2011年5.1版将盲法拆分参与者/人员与结局评估，并删除引导问题。该工具2011年正式发表于BMJ。随后多项元研究显示，不同评审者对领域判断的一致性差，且各领域应用不完整；非Cochrane综述中也存在明显的不当使用。
Cochrane偏倚风险评估工具2.0（RoB 2）（The Cochrane risk of bias tool 2.0）
2019年《Cochrane Handbook》第六版引入RoB 2，重新组织为5个领域：随机化过程、偏离预期干预、缺失结局数据、结局测量、已报告结果选择。增加“有些担心”（some concerns）中间层级和信号问题（signalling questions）算法；删除“其他偏倚”，将基线差异纳入随机化领域；区分意向性治疗（intention-to-treat, ITT）效应与符合方案（per-protocol, PP）效应。但实施后立即出现困难：即使经验丰富的方法学家在2小时讨论后也无法就第一领域达成一致；多个实证研究证实其应用耗时且可靠性低。
实施挑战（Implementation challenges）
作者参与第25届Cochrane学术研讨会RoB 2工作坊的观察显示，一组经验丰富的方法学家难以对第一个领域达成共识。Minozzi等前瞻性研究发现RoB 2的评定者间信度低；2023年《Journal of Clinical Epidemiology》研究认为RoB 2原则上有用，但应用困难和资源密集。
ROBUST-RCT
2025年3月Wang等（含GRADE工作组创始人和资深成员）在BMJ发布ROBUST-RCT，明确以回归简单实用为主要动机。工具围绕6个核心领域：随机序列产生、分配隐藏、参与者盲法、医疗提供者盲法、结局评估者盲法、未纳入分析的结局数据。每个领域采用低/可能低/可能高/明确高四层判断，采用类似2008年版的直接式问题，并设有选择性结局报告等可选领域。研究人员假设ROBUST-RCT可能比RoB 2更快被采用，但其是否会在追求简单性的同时重蹈可靠性不足的问题，有待未来实证检验。
讨论与结论（Summary and reflections）
讨论部分指出，“简单性”在不同时代被用来支持和证明不同工具，但大多数讨论把它等同于应用时间短或条目少；实际上，简单性还应包括指南清晰、易于理解。判断的可靠性更多取决于评估者是否一致应用其潜在判断，而非条目数量。元研究反复显示，即使是有经验的系统综述作者也常不够充分地应用工具，因此工具开发不能脱离其实施系统孤立评价。最终结论翻译如下：RCT偏倚风险的结构化评估在不同代际工具之间经历了简单性与复杂性之间的摆动；1994年Cochrane框架因证据不足而明确强调简单性，2019年RoB 2为追求方法学严谨性和一致性而大幅转向复杂详细判断，2025年ROBUST-RCT则因记录在案的实施失败而回归简单。这个领域可能积累的工具越来越多，却没有可靠地学会实施任何一个；未来不仅需要开发方法学合理的工具，还需要持续关注它们如何被实施、教授和应用。
