Meta分析怎么做：合并不是“收集起来求平均”

先摆正位置。Meta分析不是一项独立任务，它通常指系统综述最后阶段进行的统计合并——而系统综述，是研究问题、检索、筛选、评价都预先设计好的综述。

也就是说，Meta分析的质量在合并之前就大体定了。纳入研究的选择标准有缺陷，计算再精确，结果也不可信。（两者的关系，见讲系统综述与Meta分析之别的文章。）

Meta分析的问题要收窄成一个PICO（患者、干预、对照、结局）：这种干预在这类人群中能否改善这项结局？

问题太宽，性质不同的研究就会混进来，之后再没有哪个步骤能为合并它们辩护。能不能合并得起来，很大程度上取决于这一句话。

设计检索式，多库检索并留存记录，再按预设标准筛选。这是系统综述的标准流程，细节留给讲综述设计与筛选的专文。

在这个阶段，AI摘要可以辅助初读，但纳入决定和排除理由，由读过原文的人来记录。

从纳入研究中，按统一格式提取合并所需的数值——各组人数、各组结果、效应量数据。

在Meta分析中，确认各研究的结局定义、测量时点和分析人群相互对应，才是数据提取的核心。跳过这一步，就会犯下“把不同的东西求平均”的经典错误。实操细节见讲Meta分析数据提取的文章。

数据齐了，忍住立刻合并的冲动，先问：这些研究真的能合到一起吗？对象、干预、结局足够相似吗？设计相互兼容吗？

“能算出来”和“能合并”是两回事。把苹果和橘子求平均，得不到有意义的结果。是否合并、怎么合并（比如固定效应还是随机效应），涉及统计学判断，务必咨询统计专家或导师。

合并结果总是伴随着对研究间变异——异质性——的评估。异质性大时，追问“它们为什么不一样”，往往比合并值本身带来更重要的发现。

解读异质性指标、设计亚组分析和敏感性分析，是团队的工作，不该一个人闷头做。Meta分析的结论从来不是一个数字，而是“数字 + 各研究有多相似 + 差异从何而来”。

最后回到问题本身：合并效应的大小有临床意义吗？纳入研究的偏倚风险给结论打了几分折扣？

这部分无法交给AI。只有读过原文、清楚其局限的人，才能写出诚实的解读。

在这条漫长的路上，Paperfy 是你“阅读、核实、随时折返”的地方。每篇纳入论文一页，AI摘要、图表和原始PDF并列呈现；摘要可手动编辑，方便写下提取确认或对可合并性的疑虑。它不替代统计软件（R、RevMan等）或文献管理工具——它支撑的是它们之前的那段阅读。