Meta 分析怎么做：检索筛选、效应量合并、异质性、发表偏倚与森林图

流程

从注册到写作的流程表

每一步的产出都要写进 PRISMA 2020 的 27 个条目里。下表的“容易出错的地方”来自 Cochrane Handbook、PRISMA 2020 解释文件和 PROSPERO 说明。

偏倚风险

偏倚风险工具怎么选：RoB 2、ROBINS-I、NOS

效应量

效应量怎么选：OR/RR/RD、MD/SMD、HR

数据转换

文献没给均值、SD 或 HR 时怎么办

先向通讯作者索要原始数据；拿不到时按下表换算，并把所有经过换算的研究在敏感性分析中剔除一次，看结论是否改变。

Wan、Luo、Shi 方法的作者团队（香港浸会大学童铁军等）提供了在线计算器和 Excel 表，先做偏度检验再换算；R 的 meta（metacont 的 median、q1、q3、min、max 参数）和 metafor（conv.fivenum）都内置了同样的公式。

Handbook 10.5.3 给出一个偏态判断：对只能取正值的指标，均值/SD 小于 2 提示偏态，小于 1 时偏态明显；这类研究报告的均值和 SD 用于 MD 合并时要谨慎，对数转换与未转换的数据不能混合合并。

单位不一致时先统一单位再合并。例如血糖 mg/dL 除以 18 得到 mmol/L，总胆固醇 mg/dL 除以 38.67 得到 mmol/L。用 SMD 合并不能代替单位换算，SMD 会把不同单位造成的 SD 差异当成效应差异。

# 只有中位数与四分位数时，在 metacont 中直接输入，meta 内部完成换算
# 默认：均值用 Luo 2018，SD 用 Shi 2020（有极差时）或 Wan 2014（只有 IQR 时）
d <- data.frame(study = c("A", "B", "C"),
                n.e = c(40, 60, 35), med.e = c(12, 15, 11), q1.e = c(8, 10, 7), q3.e = c(20, 24, 18),
                n.c = c(42, 58, 33), med.c = c(16, 19, 14), q1.c = c(11, 13, 9), q3.c = c(25, 30, 22))
mq <- metacont(n.e, median.e = med.e, q1.e = q1.e, q3.e = q3.e,
               n.c = n.c, median.c = med.c, q1.c = q1.c, q3.c = q3.c,
               data = d, studlab = study, sm = "MD")
cbind(mq$mean.e, mq$sd.e)          # 研究 A：13.42、9.21
# 偏态数据可换用 McGrath 2020 的 Box-Cox 法（需要安装 estmeansd）
update(mq, method.mean = "BC-McGrath", method.sd = "BC-McGrath")
# metafor 等价函数
conv.fivenum(q1 = q1.e, med = med.e, q3 = q3.e, n = n.e, data = d)

合并模型

固定效应还是随机效应、tau² 用哪种估计、何时加 Hartung-Knapp

Handbook 第 10.10.4 节明确：选择固定效应还是随机效应，不能依据异质性检验的结果。“I²>50% 用随机效应、否则用固定效应”是中文教程里最常见的错误做法。

软件差异

同一份数据在 RevMan、Stata、R 中结果为何不同

多数“结果对不上”来自默认设置不同。投稿前在方法部分写明 tau² 估计方法、CI 方法、预测区间的分布和自由度、I² 的算法。

本页实测（dat.bcg，13 个研究，REML）：meta 默认的预测区间为 RR 0.136–1.762（t 分布，k−1）；按 Stata 的 K−2 自由度为 0.134–1.785；metafor 在 test = "z" 时为 0.155–1.549。同一数据的 I²，meta 按 Q 计算为 92.1%（95% CI 88.3%–94.7%），metafor 按 tau² 计算为 92.2%（CI 81.9%–97.7%）。

旧教程照抄会遇到的问题：meta 6.0 起 hakn = TRUE 改为 method.random.ci = "HK"；comb.fixed 在 5.0 改为 fixed、5.5 再改为 common；byvar 在 5.0 改为 subgroup，8.5 中旧参数仍能运行但会给出 deprecated 警告；forest() 的 file 参数在 8.5 中改名为 filename。

异质性

Q、I²、tau² 怎么读，亚组分析和 meta 回归的前提

亚组分析：亚组变量在方案中预先设定；用亚组间差异检验判断，不要比较各亚组的 P 值（一个亚组显著、另一个不显著不能说明有差异）。每个亚组的研究数太少时，亚组内随机效应几乎无法估计。本页实测中，按分配方式分 3 组时，固定效应下组间检验 P<0.0001，随机效应下 P=0.39，两种模型给出相反结论；只有 2 个研究的亚组用 HK 后 CI 为 0.016–20.8。

meta 回归：研究数少于 10 个时一般不做，每个协变量至少约 10 个研究（Handbook 10.11）。研究水平的协变量（如平均年龄）与结局的关系可能不反映个体水平关系，即生态学偏倚。meta 回归的 P 值建议用 Knapp-Hartung 调整（metafor 的 test = "knha"、Stata 的 se(khartung)）。

Core GRADE（2025）判断不一致性时看点估计的分散程度和置信区间的重叠，并看各研究落在决策阈值哪一侧，不单凭 I² 降级。

发表偏倚

漏斗图、Egger 检验与剪补法的使用条件

本页实测（dat.bcg，k=13）：Egger 检验 P=0.19，Harbord P=0.32，Peters P=0.23，均不显著。剪补法用 meta 默认设置（ma.common = TRUE，即用固定效应模型迭代）补入 4 个研究，RR 从 0.49（0.34–0.70）变为 0.71（0.46–1.10），不再显著；设为 ma.common = FALSE 或用 metafor 的 trimfill(rma 对象) 只补入 1 个研究，RR 为 0.52（0.37–0.74）。这组数据的异质性主要来自纬度（见 meta 回归），属于 Peters 2007 所说的情形。

敏感性分析与 GRADE

敏感性分析做哪些，GRADE 怎么评

证据确定性最终为高、中、低、极低四级，用 GRADEpro GDT 生成结果总结表。

• 换模型：固定效应与随机效应；tau² 用 REML、DL、PM 各算一次。
• 剔除高偏倚风险研究（RoB 2 判为高风险或 ROBINS-I 为严重/极严重）。
• 剔除经过换算的研究（由中位数估均值、由曲线重建 HR）。
• 零事件研究换一种处理方法（见常见错误）。
• 留一法：逐个剔除研究，报告合并效应的范围和是否有单个研究改变结论；用于发现影响点，不用于挑选让 I² 下降的研究组合。
• 主要结局只用调整后效应量或只用未调整效应量各算一次。

常见错误

常见错误及其后果

R 代码

R meta/metafor 完整流程

以下代码可直接运行，示例数据随 metadat 包安装（install.packages(c("meta", "metafor"))）。替换为自己的数据时，二分类结局需要每组的事件数和总人数四列。

# R 4.5.3 + meta 8.5-0 + metafor 5.0.1；示例数据 dat.bcg 来自 metadat 包（13 项 BCG 疫苗试验）
library(meta); library(metafor)
data(dat.bcg, package = "metadat")
bcg <- dat.bcg; bcg$study <- paste(bcg$author, bcg$year)

# 1. 合并：REML 估计 tau2，同时给出 Wald 与 Hartung-Knapp 两种 CI 和预测区间
m <- metabin(tpos, tpos + tneg, cpos, cpos + cneg, data = bcg, studlab = study,
             sm = "RR", method = "Inverse", method.tau = "REML",
             method.random.ci = "HK", prediction = TRUE)
summary(m)
update(m, method.random.ci = "classic")   # Wald 型区间对照

# 2. 换 tau2 估计方法做敏感性分析
for (mt in c("DL", "REML", "PM")) print(update(m, method.tau = mt, method.random.ci = "HK"))

# 3. 森林图（meta 8.5 起保存文件的参数名为 filename）
forest(m, sortvar = TE, prediction = TRUE, print.tau2 = TRUE,
       filename = "forest_bcg.png")

# 4. 漏斗图与小研究效应检验（k >= 10 才做；OR 结局用 Harbord 或 Peters）
funnel(m, type = "contour", common = FALSE)
metabias(m, method.bias = "Egger")
metabias(m, method.bias = "Peters")

# 5. 剪补法：明确写出迭代所用模型，否则 meta 与 metafor 结果不同
trimfill(m, ma.common = FALSE)          # 随机效应迭代，与 metafor 一致
trimfill(m)                              # meta 默认：ma.common = TRUE（固定效应迭代）

# 6. 亚组与 meta 回归（研究数 >= 10 才做 meta 回归）
update(m, subgroup = alloc)
metareg(m, ~ ablat)

# 7. 留一法
metainf(m, pooled = "random")

# 8. metafor 写法：Hartung-Knapp 用 test = "knha"，预测区间随之改用 t 分布
es <- escalc(measure = "RR", ai = tpos, bi = tneg, ci = cpos, di = cneg, data = bcg)
r <- rma(yi, vi, data = es, method = "REML", test = "knha")
predict(r, transf = exp)
regtest(r); trimfill(r); leave1out(r); confint(r)
# REML 不收敛（Fisher scoring algorithm did not converge）时：
# rma(yi, vi, data = es, control = list(stepadj = 0.5, maxiter = 1000))

本页实测

本页实测：tau² 估计方法、HK、零事件与数据转换

运行条件：R 4.5.3、meta 8.5-0、metafor 5.0.1、metadat 1.6-0、IPDfromKM 0.1.10，macOS arm64。数据为 metadat 包内置的 dat.bcg（13 项 BCG 疫苗试验，RR）与 dat.nissen2007（42 项 rosiglitazone 试验，心梗）。

国内经验

中文社区里被验证过的经验

以下内容来自中文期刊方法学文章、CSDN 专栏和方法作者提供的工具，只收录能与 Cochrane Handbook 或原始方法学论文对上的部分。CSDN 上大量 2025–2026 年的“Meta 分析避坑指南”是模板化文本，未采用。

交给 Agent

把这套流程交给 Agent

检索式编写、数据换算、合并分析和作图可以交给 Scientify 的科学智能体；纳入排除和偏倚风险判断仍需要你和合作者完成。

指令示例：“按附件的 PROSPERO 方案，对 12 项 RCT 的提取表做 Meta 分析：主要结局用 RR，随机效应 + REML + Hartung-Knapp，报告预测区间；中位数和四分位数按 Luo/Wan 换算并做偏度检验；按方案做亚组、留一法、剔除高偏倚风险研究的敏感性分析，输出森林图、漏斗图和方法段草稿。”

智能体在隔离云电脑中安装 R 的 meta、metafor 等包，读取提取表，检查 SE 与 SD 是否混淆、单位是否一致、多臂试验是否重复计入，完成换算、合并和全部敏感性分析，输出图表和与 PRISMA 2020 条目对应的方法段。智能体会对结果做对抗审阅，例如对比 REML 与 DL、HK 与 Wald 的结论是否一致，剪补法的迭代模型是否写明。工作区保留脚本、参数、日志和数据，可以复现；关闭本机后任务继续运行。

你仍需要自己核对：纳入排除决定、偏倚风险判断、效应量的方向与提取数值是否与原文一致、GRADE 评级的理由。