Meta分析的数据提取：识破“看着一样、其实不同”
从纳入论文里把数字提出来，表格搭好了。可到了合并的时候，疑虑爬上心头——“这项研究和那项研究的数值，量的真是同一件事吗？”——最后只好把每篇论文重新翻开。Meta分析数据提取的真正难点不是抄数字。难在识破那些“看着一样、其实不同”的东西，并确认研究之间的对应关系。本文围绕五个核对点，梳理这项工作的实操。
发布日期: 2026-07-22
Meta分析的提取，是在搭一张“对应表”
如果说普通综述的提取表是“每项研究的信息清单”，Meta分析的提取表则背负更严的任务：它装的必须是真正相互对应的数值，因为它们是合并的原料。
因此每个单元格都暗含一个问题：“这个值，真的和其他研究同一列里的值可比吗？”我们把这个问题拆成五个核对点。
核对1：结局定义
两项研究都报告“死亡率”，含义却可能不同——全因死亡还是特定疾病死亡。都叫“改善”，量表不同，同样无法合并。
从各研究的Methods里把结局定义提出来，并排列成一览。对齐的是定义，不是标签——这是核实的第一步。
核对2：测量时点
“治疗后的结局”，在4周时测和在1年时测，是两回事。
务必给时点单独设一列，并由团队决定在哪个时点合并（或按时点分开分析）。时点信息常常散落在正文各处，有时只出现在图的横轴上。图表也要一并查过。
核对3：组别定义
干预组和对照组的构成同样需要对应核查。“对照=安慰剂”与“对照=常规治疗”的研究，做的是不同的比较。
顺手记下剂量范围和持续时间，之后探讨异质性、讨论亚组时会派上用场。
核对4：分析人群
数值背后的分母，会因意向性治疗分析（ITT）、符合方案分析或仅完成者分析而不同；即使在同一项研究里，不同表格的分母也可能变化。
记下每个数值来自哪个分析人群，连同来源表号一起。“Table 3，ITT”这样一条简注，能在核对和同行评审时省下实打实的时间。分母的取用策略，团队要事先约定。
核对5：效应量格式
最后是统计格式。报告的是均数差还是比值？变异指标是标准差（SD）、标准误（SE），还是置信区间？
把SD和SE弄混，是Meta分析提取中经典而严重的错误。格式之间的换算涉及统计学判断，不要自行尝试——请咨询统计专家或导师。
分工：AI起草，人工全查
围绕这五点的提取，草稿照样可以交给AI。对它说“按这个格式，从这篇论文提取结局定义、测量时点、组别定义、分析人群和效应量”，表格的第一版很快就能成形。
但这些数值是要送进合并的，所以核实必须覆盖每一个数据点，对照原文、图表和补充材料。AI草稿只是开局的一手，永远替代不了核实。发现错误就改正草稿，并标记“已核实”。
把提取的痕迹留在论文身边
在 Paperfy 中，每篇纳入论文的AI摘要、图表和原始PDF同在一页，沿着五个核对点回溯“原文看的是哪里”非常快。
摘要可以手动编辑，你可以把确认结果写在论文页上——“结局：全因死亡（Methods第4页）/ 时点：12个月 / 分母：ITT（Table 2）”。合并途中一旦心里打鼓，提取表和原文之间的这层批注，能大幅缩短你找回确信的时间。
提取表的对应关系核查
- 结局按定义对齐，而不是按标签。
- 测量时点和组别定义在表中各有一列。
- 分析人群与来源表号记录在一起。
- 效应量格式（SD/SE等）核查过，换算前咨询了专家。
用核实批注，抹掉“重查一遍”的时间
在 Paperfy 中，五个核对点的痕迹都留在论文页上——合并时一旦生疑，一键回到原文。
Meta 分析
浏览这个主题
按同一工作流阅读相关指南，从入门到实际使用。
接下来阅读
这些文章可以继续补充同一个工作流程。