Meta分析的步骤其实就这些！科研小白入门Meta分析看这一篇就够了！

研究的基础就在于构建无偏倚的文献池和适配的统计指标，此阶段的严谨性直接决定后续结论的内部效度。

1. 检索策略的全集构建

检索的核心目标在于控制选择性偏倚。依据《Cochrane Handbook》，必须摒弃单一关键词检索模式，建立MeSH主题词与自由词的布尔逻辑组合。

需要明确系统评价与Meta分析的关系。系统评价是采用系统、明确的方法来识别、选择和严格评估相关研究以回答特定问题的综述。Meta分析是系统评价中可能使用的一种统计方法，用于定量合并多个独立研究的结果。若纳入研究间存在无法解释的显著异质性，应谨慎解释合并结果或转为描述性分析。

2. 统计学效应量指标的选择

指标选择需要基于数据属性与研究设计进行适配，而非机械套用：

【二分类变量】
对于基于随机对照试验（RCT）的Meta分析，通常推荐用RR，结果更易于临床解释。
对于观察性研究或当数据来源于多变量调整模型时，比值比（OR）是更常见的选择。
当疾病在人群中的发病率很低时，当事件发生率较低时（如<10%），OR与RR近似，可选择其一并明确报告选择理由。
【连续性变量】 
均数差（MD）：适用于所有纳入研究采用完全一致的测量工具与单位。
标准化均数差（SMD）：当同一结局采用不同量表或测量单位时，需要通过SMD消除量纲影响，实现数据标准化。对于高度偏态的数据，可考虑使用其他稳健统计量。

数据处理阶段，研究者的核心职能是从统计数字中解读临床异质性。

1. 统计模型的合理性选择

针对临床研究必然存在的对象特征与干预细节差异，模型选择应基于异质性检验和对研究背景的假设：
【固定效应模型】：假设所有研究共享一个相同的真实效应量，适用于研究间异质性较小的情况。
【随机效应模型】：假设真实效应量在不同研究中服从一个分布，同时考虑了研究内变异与研究间变异。当存在异质性，或认为纳入研究代表了一个更大的潜在研究总体时，宜采用此模型。其合并结果的置信区间通常更宽，估计更为保守。

2. 异质性的评估与解析策略

异质性通常通过I²统计量进行量化。当I² > 50%时，提示存在中度至高度的异质性，需要谨慎对待合并结果并启动以下排查程序：

数据核查：排除标准差（SD）与标准误（SE）混淆、数据录入错误等基础问题。
亚组分析与Meta回归：基于PICO原则，针对预设的临床或方法学特征（如给药剂量、病程分期、研究设计）进行分层分析或Meta回归，以探索异质性的潜在来源。
敏感性分析：采用逐一剔除法或替换合并模型等方法，验证结论的稳健性，确保总体效应未受单一极端研究或方法学选择过度影响。

Meta分析的最终产出必须符合国际通行透明度标准，这是区别低质量重复研究与高等级循证证据的关键。

1. 统计模型的合理性选择

为规避结果报告偏倚，必须在研究开始前（即文献筛选启动前）于PROSPERO等国际注册平台完成前瞻性注册。明确预定的纳入排除标准、结局指标与分析计划，是保障研究透明度的核心凭证。

2. PRISMA 2020报告规范与GRADE证据分级

文稿撰写需要严格遵循PRISMA 2020声明及其清单：

流程透明化：需要通过PRISMA流程图详细记录从初筛到最终纳入的文献流转过程，并明确列出被排除研究的具体原因。

偏倚风险评估：依据研究类型选用权威工具。随机对照试验（RCT）推荐使用RoB 2.0工具；观察性研究推荐使用ROBINS-I工具评估偏倚风险。也可使用NOS量表评估观察性研究质量，但应明确说明其与偏倚风险评估工具的区别。

证据体分级与讨论：在讨论部分需要引入GRADE系统，对主要结局指标的证据确信度（高、中、低、极低）进行客观评价。GRADE分级综合考虑了偏倚风险、不一致性、间接性、不精确性和发表偏倚五项降级因素，以及大效应量等升级因素。

高质量Meta分析的成败，取决于以下三个关键质控节点：

1. 数据提取与核对机制

必须执行双人独立提取、交叉核对流程：对于分类变量，可使用Kappa值或百分比一致性评估一致性；对于连续变量，应使用组内相关系数（ICC）或直接比对具体数值（如均值、标准差），以最大限度消除人为误差。

2. 注册时间点

杜绝回顾性注册：注册必须完成于文献筛选工作正式启动之前，并确保注册信息与研究实施过程一致。

3. 选题的临床与方法学价值

避免单纯堆砌方法学：选题应聚焦于存在争议或不确定性的临床问题，或基于最新发表的大型研究进行证据更新。对于缺乏头对头比较的多种干预措施，可考虑采用网状Meta分析提供间接比较证据，但需要严格遵守其特定报告规范（如PRISMA-NMA）。