批判性评价不是“挑刺”而是判断论文结果能信几分

先纠正一个常见误解。

批判性评价不是给论文判及格或不及格。世上没有完美的研究，光罗列缺点，任何论文都能被贴上“差”的标签，讨论也就失去了意义。

该问的问题是：哪些结果站得住，哪些要打个问号？这些结果能在多大程度上用到我们的患者、临床和研究上？

指出缺陷只是起点，不是结论。记住这一点，评价的质量会上一个台阶。

拿捏距离感，要看七个方面。

一是 PICO（研究问题）：这项研究到底在问什么？二是研究设计：设计和问题匹配吗？三是研究对象的选择：有没有选择偏倚？组间基线齐不齐？

四是主要结局指标：判定“有效”的标准恰当吗？五是效应量与精确度：效果多大？多确定？六是混杂、偏倚与缺失数据：可能扭曲结果的因素处理了吗？

最后是适用性：能不能用到你眼前的患者、你所在的机构、你的研究课题上？下面按研读会上好用的顺序，把这七点过一遍。

PICO。P（Patient/Population）指什么样的患者或人群：年龄、性别、疾病、严重程度、合并症。I（Intervention/Exposure）指要评估的治疗、检查或护理：新药、某种康复方案、某个术式。

C（Comparison）是干预的对照：现有标准治疗、安慰剂，或不干预只观察。O（Outcome）是要衡量的结局：生存率、症状改善、并发症发生率、生活质量。

也就是：对谁、做了什么、和什么比、用什么衡量。把这四点整理到能用一句话说完为止。这一步含糊，后面的分析全都会跟着含糊。

研究设计。是 RCT、队列研究还是病例对照研究？重点不是“RCT 天然更高级”，而是“这个设计适不适合这个问题”。罕见副作用的检出就不适合 RCT，有些问题在伦理上也做不了 RCT。

研究对象的选择。看纳入排除标准和表 1。排除标准太严，结果的适用范围就窄；组间基线不齐，后面的差异就说不清是干预带来的，还是本来就有的。

主要结局指标。查两件事：预先设定的主要结局是否有统计学显著差异？有没有只靠次要结局就宣称“成功”？这些指标对患者和一线工作者是否真的有意义？

效应量与精确度。建议别只盯 p 值，看效应量——风险差、风险比、NNT（需治疗人数）——以及置信区间的宽窄。

“统计学显著”和“临床上有意义”是两回事。样本量足够大时，再小的差异也可能做出很小的 p 值。汇报时不只讲“有没有差异”，还讲“这个差异该怎么看”，会非常加分。

混杂、偏倚与缺失数据。观察性研究如何调整混杂？脱落率多少、脱落病例怎么处理？有没有设盲？资金来源和利益冲突也在这一步确认。

适用性——最后一点，也是研读会讨论的主菜。研究人群和你面对的患者、你的诊疗环境，有哪些相同和不同？

如果研读会能从“有证据”再往前一步，讨论到“在我们这里到底用不用、怎么用”，那就是一个真正有产出的研读会。

这七项检查，AI 能帮到什么程度？

准备阶段 AI 很能打：从论文里提取 PICO、整理研究设计和主要结局指标、罗列作者自认的局限性——这些是摘要能力的延伸，非常好用。

但再往前，AI 就无能为力了。距离感的判断，只属于亲眼看过原始数据和图表的人。基线偏差大到会动摇结果吗？置信区间这个宽度在临床上怎么解读？用到自己的患者身上合不合适？

AI 摘要是起点，原文才是证据——批判性评价正是这条原则发挥得最彻底的场景。

批判性评价就是在七个视角之间来回切换、边看边记。笔记散落在聊天记录和便签纸上，汇报前想回顾“我当时怎么评价这篇的”，就无从下手。

Paperfy 把论文 PDF、AI 摘要和图表放在同一页面，你可以把自己的评价结论直接覆盖、编辑到 AI 摘要上。

“AI 是这么总结的，但原文里主要结局的定义其实不同”——这类修订会留下来，成为你对这篇论文的评价档案。电台脚本同样可以编辑并重新生成音频，会前用耳朵把评价结论过一遍。

批判性评价不是审判论文，而是把论文的结果翻译成与你的实践相关的语言。

用七个检查点拿捏距离，让 AI 做前期准备，最终判断依据原文里的数字——掌握这套方法，研读会就会从“互相试探的会”变成“真正讨论的会”。

先从最容易上手的一项——PICO——开始体验吧。