Meta分析统计学：系统综述的统计学基础与应用指南

发布于 2024年 | 编辑：EditVerse研究支持团队

什么是Meta分析：概念与意义

Meta分析源于希腊语”meta”（超越）和英文”analysis”（分析），字面意思是”分析的分析”。它是一种量化方法，用来整合已发表研究中的统计数据，通过合并多项研究的效应量，获得更大的样本量和统计把握力。

Meta分析的统计学基础

效应量(Effect Size)的定义与计算

效应量是衡量干预效果大小的客观指标，是Meta分析的核心。常见的效应量类型包括风险比(RR)、比值比(OR)、风险差(RD)、Cohen’s d和Hedges’ g等。

异质性检验与I²统计量

I²统计量是评估异质性的标准指标：I² < 25%为低异质性，25-50%为低至中等，50-75%为中等至高，≥75%为极高异质性。

Meta分析的统计模型选择

固定效应模型

适用于异质性较低（I² < 25%）的情况，假设所有研究测量的是同一真实效应。

随机效应模型

当异质性较高（I² ≥ 50%）时，应优先选用随机效应模型，考虑了研究间的随机变异。模型选择直接改变合并效应量的解释，拿不准时值得先做一次Meta分析的统计建模协助。

发表偏倚评估

发表偏倚检验方法包括漏斗图(Funnel Plot)、Egger回归检验和Trim-Fill方法。2023年《美国医学会杂志》(JAMA)发表的综合分析表明，约30%的高质量Meta分析存在中等程度的发表偏倚。

亚组分析与敏感性分析

当异质性较高时，按照预定义的变量进行亚组分析，以识别效应的来源。敏感性分析通过改变分析方法或排除特定研究来评估结果的稳定性。

Meta分析结果的解读

森林图(Forest Plot)是Meta分析最重要的可视化工具。规范的Meta分析报告应遵循PRISMA 2020指南，包含27个检查清单项目；逐项落实到正文并不轻松，可结合循证研究的稿件撰写支持完成。