循证医学 · aiwiki.page

循证医学（EBM）是一种医学实践方法，它将现有的最佳研究证据与临床专业知识以及患者的价值观、意愿和具体境况有机结合。它将研究成果视为对个体医疗决策不可或缺的参考依据，而非取代专业判断或患者参与。其方法依托临床流行病学和统计学，用以评估医学知识的有效性、重要性和适用性。(bmj.com)

循证医学发端于临床流行病学和医学教育，随着循证医学工作组（Evidence-Based Medicine Working Group）于 1992 年发表的标志性论文及随后的教学推广而获得广泛认可。其实践过程包括提出明确的问题、检索相关证据、严格评价证据、将证据应用于医疗护理，以及对整个过程进行效果评估。这些实践将具体的个体临床决策与系统评价、临床实践指南以及卫生系统的组织运作紧密联系起来。(jamanetwork.com)

循证医学提供了使临床决策依据清晰明确、并在沟通中准确传达利弊不确定性的方法。其涵盖范围包括治疗、诊断、预后和预防。理解循证医学需要区分研究设计与方法学质量、统计学结果与临床重要性，以及对证据的信心与推荐意见的强度；同时，还需要审视研究证据如何推广应用于与受试对象和环境不同的其他患者及临床情境。(jamanetwork.com)

基础与范围

循证医学（EBM）在针对个体开展医疗决策时，将所能获得的最佳研究证据与临床专业技能以及患者的价值观和实际处境结合起来。戴维·萨克特（David Sackett）及其同事于 1996 年提出的表述强调，应当审慎、明确地应用当前现有的证据，而非单纯依赖惯例。研究用于评估干预措施和检测手段的成效及其不确定性程度；临床专业技能用于明确患者的临床问题以及这些研究结果是否适用；患者的优先关切则决定了哪些潜在结局与负担最为重要。这些方面相辅相成：单凭某种干预措施对人群平均效应的证据，并不能决定它是否适用于某一具体个体。(pmc.ncbi.nlm.nih.gov)

临床专业技能包括通过实践获得的各项能力：解读症状与体格检查结果、识别鉴别诊断，以及判断研究结果与个体病情的关联度。患者价值观涵盖有关获益、危害、费用及不便之处的目标、预期与偏好。实际处境则包括临床情境以及可用于照护的资源。因此，两位考量同一种干预措施的患者，若对缓解症状、延长寿命或治疗负担赋予不同的重要性，完全可能做出截然不同却又合理的选择。维克多·蒙托里（Victor Montori）与戈登·盖亚特（Gordon Guyatt）在 2008 年的阐述中强调，即便背后的研究证据十分确凿，价值判断也贯穿于每一项临床决策之中。(pubmed.ncbi.nlm.nih.gov)

循证医学借鉴了临床流行病学（将基于人群的研究方法应用于临床问题）以及批判性评价（对证据的真实性与临床实用性开展结构化审查）。它的独特性要求并不是要临床医师摒弃生物学知识或经验，而是强调两者均不能被视为证明临床效果的充分依据。循证医学工作组于 1992 年发表在《美国医学会杂志》（JAMA）上的文章明确指出，应当将系统性临床研究与单纯依靠直觉、非系统性观察及病理生理学推导区分开来。因此，评价所关注的是某项观察是如何得出的、其研究方法是否足以支持结论，而不是仅因某种主张符合合理解释的机制或权威观点就直接接受。(jamanetwork.com)

心律失常抑制试验充分阐明了这一区别。心肌梗死后抑制室性期前收缩，在当时看来是预防猝死的合理解释。然而，该试验于 1989 年发布的初步报告显示，在平均 10 个月的随访中，被分配接受恩卡尼或氟卡尼治疗的患者全因死亡率为 7.7%，而分配接受安慰剂的患者仅为 3.0%。这些药物虽然能够抑制目标心律失常，却使受试人群的生存状况恶化。由此可见，可明确验证的生理效应并不等同于有益的临床效果。(nejm.org)

循证医学的核心问题领域包括治疗获益、治疗危害、诊断、预后以及包括筛查在内的疾病预防。治疗性问题关注某项干预措施相对于替代方案是否能改善结局；危害性问题涉及不良后果。诊断性问题评估检查结果或检验手段识别某种病症的准确程度，而预后性问题则关注病情的可能发展轨迹以及未来结局的预测因素。预防性问题涉及避免疾病或并发症的发生；筛查问题还进一步要求评估针对未表现出明显症状的人群进行检测最终是否能改善健康，而不仅是能否检出异常。这些不同的目的需要与问题相契合的研究证据，而非不加区分地套用同一种研究设计。(jamanetwork.com)

个体临床决策不同于循证卫生保健和循证卫生政策，但三者又紧密相连。前者将证据的应用扩展至各专业、各项服务与各个机构；后者则侧重于针对项目与卫生体系的选择，包括人群效应、公平性、实施落地以及稀缺资源的分配。某项干预措施令特定患者获益的发现，本身并不能直接决定某项服务应如何组织或如何由公共资金资助。因此，世界卫生组织在 2022 年的指南中将循证决策定义为：在临床、公共卫生及卫生体系等多种情境中，针对政策与项目识别、评价并调动各类证据。(jamanetwork.com)

发展历程与相关机构

在“循证医学”这一专有名词出现之前，系统的临床观察以及对患者预后的量化比较便已存在。戴维·萨克特（David Sackett）及其同事在1996年的一篇论述中，将循证医学的哲学源头追溯到了19世纪的巴黎甚至更早时期。而它更为直接的基石则是临床流行病学，即将流行病学方法应用于临床诊疗中出现的各种问题。在安大略省汉密尔顿的麦克马斯特大学，萨克特等人开创了一种将患者实际问题与流行病学、统计学以及批判性文献阅读相结合的教学法。他们于1981年在《加拿大医学会杂志》（Canadian Medical Association Journal）上发表的系列文章《如何阅读临床期刊》（"How to read clinical journals"），使文献的批判性评价成为一项明确的教学活动。这些成果在20世纪90年代初循证医学确立名称与组织形态之前，就已经为其提供了方法体系和教学实践。(bmj.com)

另一项平行发展则与卫生服务评价有关。阿奇·考克兰（Archie Cochrane）在1972年出版的《疗效与效益：对卫生服务的随意反思》（Effectiveness and Efficiency: Random Reflections on Health Services）一书中指出，有限的医疗资源应当用于让大众公平地享有经由严谨设计评估证实有效的干预措施。他尤其强调将随机对照试验作为评估疗效的可靠依据。1979年，他呼吁各医学专科定期编制并更新经过批判性评价的相关试验总结。伊恩·查默斯（Iain Chalmers）及其同事在妊娠与分娩领域的工作为此提供了实践范式：牛津围产期试验数据库以及1989年发表在《妊娠与分娩中的有效照护》（Effective Care in Pregnancy and Childbirth）中的系统评价。首家考克兰中心（Cochrane Centre）于1992年在牛津成立；1993年，来自9个国家的77名代表在第一届考克兰研讨会后正式创立了考克兰协作网。该机构的贡献在于组织起持续性的国际研究证据整合工作，避免让临床医生仅依赖孤立分散的单项试验报告。(swiss.cochrane.org)

在麦克马斯特大学，戈登·盖亚特（Gordon Guyatt）于1990年出任内科住院医师规培项目主任，他试图为一种要求临床主张必须接受研究检验、而非盲信权威的方法寻求一个正式名称。他在1991年《美国医师协会内科文摘》（ACP Journal Club）的一篇社论中首次将“循证医学”（evidence-based medicine）引入已发表文献。1992年11月4日，循证医学工作组（Evidence-Based Medicine Working Group）在《美国医学会杂志》（JAMA）上发表了题为《循证医学：医学实践教学的新途径》（"Evidence-Based Medicine: A New Approach to Teaching the Practice of Medicine"）的文章。该文将循证医学阐述为医学教育与临床实践的一场变革，指出直觉、非系统的经验和病理生理学推论不足以作为临床决策的充分依据。文章强调高效的文献检索与对临床研究的明确评价，并详细介绍了旨在培养这些技能的住院医师教学方案。(bmj.com)

萨克特推动了加拿大这套教学方案与英国医疗机构的接轨。1994年，缪尔·格雷（Muir Gray）利用英国国家医疗服务体系（NHS）的研发经费邀请萨克特前往牛津。牛津大学循证医学中心于1995年3月正式成立，最初在约翰·拉德克利夫医院（John Radcliffe Hospital）的两间办公室内运作，仅有4名员工。该中心的职责包括支持循证医疗的教学与实践，以及开展针对随机试验和系统评价的研究生教育。该中心建立了一个国际导师网络，使循证医学不仅拥有了专门的培训基地，也具备了方法学研究的核心阵地。(cebm.ox.ac.uk)

1996年1月13日，萨克特、威廉·罗森伯格（William Rosenberg）、缪尔·格雷、布莱恩·海因斯（Brian Haynes）和W·斯科特·理查森（W. Scott Richardson）在《英国医学杂志》（BMJ）上发表了题为《循证医学：是与非》（"Evidence based medicine: what it is and what it isn't"）的社论。面对当时关于循证医学的新颖性及其对临床自主权影响的争论，该社论澄清了这一运动的核心内涵。它将循证医学界定为在个体患者的照护中慎重、明确且审慎地应用现有的最佳证据，并强调这些证据必须与临床专业经验相结合，而非取而代之。这一定义将循证医学运动与单纯进行文献评价的狭义研究区分开来。(bmj.com)

临床问题与证据检索

“五步循环法”将循证临床工作归纳为**提出问题（ask）、获取证据（acquire）、评价证据（appraise）、应用证据（apply）和评估效果（assess）**五个环节。提出问题是指将信息需求转化为可回答的临床问题；获取证据旨在检索相关证据；评价证据用于审视证据的真实可靠性与临床相关性；应用证据是将研究结果与临床决策相结合；评估效果则是对整个决策过程及其成效进行评价。这一循环具有迭代性：检索过程可能会提示需要进一步缩小问题范围，而证据评价也可能会发现需要补充更多证据。因此，明确提出问题与进行信息检索，为后续的证据评价与临床应用奠定了基石。(pmc.ncbi.nlm.nih.gov)

背景问题探讨的是基础医学常识，例如“心房颤动的病因是什么？”或“抗凝药物是如何起作用的？”。前景问题则针对具体的临床决策，其备选方案和临床结局均有明确界定，足以指导检索方向。PICO 框架由四个核心要素构成：P 代表研究对象或患者群体（population / patient problem）；I 代表干预措施（intervention）；C 代表对照措施（comparator）；O 代表结局指标（outcomes）。例如一个假设的临床问题：“在成人非瓣膜性心房颤动患者中，与华法林相比，阿哌沙班对卒中和大出血的发生率有何影响？”在该问题中，疾病特征限定了目标人群，两种药物界定了对照方案，获益与危害也均已明确。随访时间还可以对问题作进一步界定。PICO 框架的作用是规范并结构化信息需求，而非直接判定哪种治疗方案更优。(cebm.ox.ac.uk)

各类检索资源各有其用。书目数据库通过可供检索的文献引文记录与摘要来索引期刊报告。PubMed 提供对 MEDLINE 及其增补记录的访问；MEDLINE 的特色在于采用医学主题词（MeSH）进行标引。考克兰图书馆（Cochrane Library）包含提供研究综合评价的 Cochrane 系统评价数据库（CDSR），以及汇集对照试验报告的 CENTRAL 数据库。ClinicalTrials.gov 和世界卫生组织的国际临床试验注册平台（ICTRP）等试验注册中心有助于查找正在进行中或未发表的研究。经过预先评价的资源（包括证据总结和经过严格评价的临床参考资料）减少了检索和解读研究所需的工作量。牛津大学在 2011 年发布的证据级别介绍中明确指出，这类资源是在临床时间有限时的检索捷径，但不能替代临床专业判断。(nlm.nih.gov)

文献检索是将临床问题转化为概念，而非直接照搬完整的语句表达。同一概念下的同义词使用 OR（或）连接；不同概念之间通常使用 AND（与）连接。受控词表将不同的表达方式关联至标准主题词：例如 MeSH 可以将用于同一疾病的不同术语统合起来。对文题和摘要的自由词检索是对主题词标引的有效补充，因为并非所有 PubMed 记录都标引有 MeSH 词。针对前述抗凝治疗的假设问题，检索式可将心房颤动相关术语与药物名称相结合。并非所有 PICO 要素都必须包含在检索式中：如果强制限定特定的结局或对照措施，一旦相关文献的可检索字段中未出现这些细节，就可能导致其被错误排除。(nlm.nih.gov)

检索所需的广度取决于具体任务。针对临床决策的定向检索旨在快速获得可靠答案，通常可先查阅适用的证据整合或预评价总结，再视需要进一步检索原始研究。相比之下，系统评价的检索旨在通过跨多个数据库的可重复方法，全面找出所有符合条件的研究。纳入与排除标准明确规定了符合条件的人群、干预措施、对照措施、临床背景和研究设计；这些标准有别于用于检索潜在合格文献的更为宽泛的检索词。检索记录应详细登记数据库与平台名称、检索日期、完整检索式、限定条件以及检索结果数量，以便于对检索过程进行核查和更新。考克兰协作网于 2025 年 3 月发布的指南强调了高检出率（高敏感度）检索策略、信息学专家的参与，以及避免对语言或发表状态设置不合理的限制。(cebm.ox.ac.uk)

研究设计及其证据角色

随机对照试验通过基于概率的程序而非临床考量或患者偏好将受试者分配至不同对照组，以此评估干预措施的效果。对照组可采用活性药物/有效疗法、常规治疗或安慰剂。妥善的随机化可防止已知和未知的预后因素左右分组过程，从而减少混杂；但这并不保证某一具体试验中的各组特征完全一致。解释性试验探究干预措施在相对理想条件下的疗效，而实用性试验则探究其在常规诊疗中的表现，通常采用更宽泛的纳排标准和更具弹性的实施方式。这两种目标构成了一个连续体：柯斯蒂·劳登（Kirsty Loudon）等人于2015年提出的 PRECIS-2 工具，将九个设计领域按1（高度解释性）至5（高度实用性）进行评级。实用性关注的是适用性，绝非免除严谨设计的借口。(cochrane.org)

观察性研究设计在不进行随机分配暴露的情况下组织对比。队列研究对特定人群进行随访，将暴露因素或基线特征与后续结局联系起来；这一时间序列既可前瞻性记录，也可根据既有记录重建。队列研究有助于评估发病率、预后以及与暴露相关的风险。病例对照研究选取出现某一结局的人群以及代表产生这些病例的人群的对照者，进而比较他们过去的暴露情况。这种设计对于罕见结局（包括罕见不良反应）非常高效。大型队列及关联健康记录能够考察超出许多试验随访周期的迟发性危害，尽管非随机的治疗选择会增加因果解释的难度。横断面研究在特定时间窗内测量各种特征，通常用于估算患病率而非新发疾病的情况；仅凭暴露和结局的测量通常无法确立两者的时间先后顺序。(archive.cdc.gov)

诊断准确性研究将待评试验（index test）与金标准（reference standard）进行比较，以确定是否存在目标病症。具有指导价值的设计应从该试验适用的目标人群中招募患者，并一致地应用金标准，且对结果进行独立判读。因此，横断面设计在应对诊断问题时十分适用，本身并不属于“低等级”证据。准确性与临床获益也是两回事：证明某项检验能正确判定疾病，并不等同于证明以该检验为导向的诊疗策略能改善患者结局；后者往往需要针对不同策略进行随机对照试验。(cebm.ox.ac.uk)

预后研究从确定的临床起点（如确诊）开始随访患者在特定时期内的结局。起始队列（inception cohort）招募处于相同疾病早期的受试者，从而明确了时间原点。预后模型结合年龄、疾病分期和实验室指标等特征来预测未来发生结局的概率。预测并不等同于因果推断：某个指标可以预测病情恶化却并非其病因，降低该指标也不一定能改善结局。同样，与预后不良相关的特征并不一定能据此甄别出对治疗有不同反应的患者。证明疗效差异所需的对比，必须能够区分预后本身与干预措施的效果。(cebm.ox.ac.uk)

定性研究运用访谈、焦点小组和观察等方法，探究患者的体验、疾病被赋予的意义、治疗的可接受度以及实施情境。它是对干预效果评估的补充而非替代。例如，世界卫生组织手册中关于定性证据的章节描述了如何在母婴卫生工作者角色的指南中运用定性综合证据，以明确其可接受度、可行性及情境需求。此类发现有助于解释为何某项有效的干预措施难以推行，或者为何目标受益群体认为其不可接受。(methods.cochrane.org)

因此，证据分级取决于所提出的问题。牛津大学循证医学中心2011年的框架将调查归用于疾病频率，将金标准对照归用于诊断准确性，将起始队列归用于预后，将随机试验归用于治疗获益。研究设计的名称只是证据角色的导引，并不保证质量的高低。原始研究产生观察数据；系统评价整合针对明确问题的各项研究（有时通过荟萃分析完成）；指南建议则在此基础上进一步纳入对获益、危害、价值观、资源和可行性的权衡裁量。综合性研究承继了其底层证据的局限性，而建议则是在证据指导下做出的决策，而非另一种原始研究设计。(cebm.ox.ac.uk)

单项研究的批判性评价

批判性评价区分了四个核心问题：研究结果是否具备内部真实性、方法与发现是否报告完整、估计值有多精确，以及该结果是否适用于具体的临床问题。内部真实性关注的是系统误差（即偏倚），而非抽样变异。一项大规模研究可能会围绕一个有偏倚的估计值得出狭窄的置信区间；而一项设计严谨的小型研究可能得出无偏倚但不够精确的估计值。适用性关注的是受试人群或环境与实际应用场景之间的差异。报告的完整性决定了哪些内容可以得到评估：未提及分配隐藏并不等同于分配隐藏彻底失败，但确实令其实施情况存疑。无论是同行评审还是冠以“随机对照试验”的标签，都不能代替对实际研究方法和执行情况的核查。(cochrane.org)

在随机对照试验中，序列生成和分配隐藏需要分别进行审查。如果招募人员知晓接下来的分组安排并有选择性地纳入受试者，即使由计算机生成的随机序列依然可能遭到破坏。分配隐藏旨在防止在分组前预先获知分组情况；盲法则是为了限制分组后的干扰。因此，评价工作需要明确究竟对谁实施了盲法——受试者、医护人员还是结局评估者——以及知晓治疗方案是否会影响医疗照护或结局测定。例如，未设盲的疼痛评分比客观确认的死亡更容易受到此类影响。缺乏盲法并不必然致命：其具体影响取决于结局指标的性质，以及知情是否导致了对预定治疗方案的实质性偏离。(cochrane.org)

随机化后的评价需要审查额外治疗、方案转换、依从性、剔除病例以及缺失的结局数据。数据分析必须与所估计的效应相匹配：分配干预的效应不同于坚持接受治疗的效应。简单排除未依从的受试者可能会破坏随机化所建立的可比性。对于缺失的结局，关键在于缺失的原因及其与未观测数值的关联，而非仅仅是缺失比例；若症状恶化的受试者大量失访，可能会虚增治疗获益。选择性报告也可能出现在本已完整的数据集中——例如，在测试了多种方案之后，专门挑出一个有利的测量时间点或统计模型进行汇报。(cochrane.org)

在非随机研究中，当共同原因同时影响治疗选择和结局时，就会产生混杂。如果病情较重的患者优先接受了某种治疗，他们更差的预后可能会被误认为是该治疗造成的危害。当重要变量未被测量、测量不准确或模型设定有误时，回归、匹配和加权方法均无法保证彻底消除混杂；对受治疗影响的变量进行调整甚至可能引入新的偏倚。当受试者的纳入或持续随访取决于干预和结局时，就会产生选择偏倚——例如，仅以长期用药者为研究对象可能会遗漏治疗初期的不良事件。测量偏倚则包括暴露分类不准确，以及不同组间结局认定的差异（例如对某一治疗组实施了更密集的监测）。(cochrane.org)

基于领域的评估工具使这些判断更加明确具体。乔纳森·斯特恩（Jonathan Sterne）及其同事于2016年推出了针对非随机干预研究的ROBINS-I工具，并于2019年推出了针对随机试验的修订版工具RoB 2。RoB 2评估五个领域：随机化过程、偏离既定干预、结局数据缺失、结局测量以及选择性报告结果。其评估结论分为“低风险”、“存疑”或“高风险”。ROBINS-I则以一个假想的无偏倚目标试验为参照，额外处理了治疗开始前出现的问题，特别是混杂和受试者选择。这两种工具均针对特定结局进行评价，而非给出一个笼统的数字型“质量评分”；其支持性说明保留了具体差异，而汇总分数往往会掩盖这些差异。(bmj.com)

试验注册、研究方案以及注明预定日期的统计分析计划，使得评价者能够将已发表的结局和分析，与破盲结果揭晓之前记录的研究设想进行比对。对于出现的分歧，需要仔细审视而非直接否定，因为方案变更可能有合理解释。资金披露和研究者的利益冲突提供了额外的背景信息，包括可能对对照组选择、分析或报告造成的影响。文献评价旨在审查资助方的实际参与程度以及可识别的偏倚机制：仅有商业资助本身并不足以认定结果必然存在偏倚；在有明确防护措施的情况下，公开的利益冲突也不构成无端提高各项偏倚风险评级的理由。(cochrane.org)

效应指标、诊断信息与不确定性

结局类型决定了适用的效应量指标。对于二分类结局，设 $p_T$ 和 $p_C$ 分别表示治疗组和对照组在同一时期的发生风险。相对危险度为 $RR=p_T/p_C$ ；优势比为 $OR=[p_T/(1-p_T)]/[p_C/(1-p_C)]$ ；风险差为 $RD=p_T-p_C$ 。比值类指标的无效假设值为 1，差值类指标的无效假设值为 0。当事件罕见时，优势比近似于相对危险度；但当事件常见时，绝不能将优势比直接解释为相对危险度。连续型结局通常使用均数差，保留原始测量单位（例如毫米汞柱）；当各研究使用的量表不同时，则采用以标准差为单位的标准化均数差。时间-事件结局分析考虑了数据删失，通常报告风险比（hazard ratio），用于比较尚未发生事件的受试者之间的瞬时事件发生率。恒定的风险比建立在比例风险假设之上，它并不等同于累积风险的比值。(cochrane.org)

绝对效应将相对效应与基线风险联系起来。**假设示例：**在 5 年内，某项干预措施使某不良结局的发生率从 10% 降至 8%。其 $RR$ 为 0.80，即相对风险降低了 20%，但绝对风险降低仅为 2 个百分点——相当于每 1,000 人中减少 20 例事件。需治人数为 $NNT=1/(0.10-0.08)=50$ ：平均每治疗 50 人持续 5 年，可额外预防 1 例不良事件。如果基线风险仅为 1%，相同的 $RR$ 将使治疗后的风险变为 0.8%，绝对降低量为 0.2 个百分点，对应的 NNT 则为 500。对于治疗导致的不良反应增加，绝对风险增加率的倒数即为需害人数（NNH）。计算并解释这些指标时，必须明确具体的结局指标、对照组以及随访期限。(cochrane.org)

置信区间描述了统计模型下的抽样不确定性：在反复抽样中，一个有效的 95% 置信区间计算过程所生成的区间有 95% 的概率包含真实参数。P值是在假定原假设和模型假设成立的前提下，观察到至少与当前结果一样极端的情况的概率，而非原假设为真的概率。统计学显著性并不等同于临床重要性。一个横跨显著获益与危害的宽置信区间意味着结果尚无定论；而一个排除了具有临床重要性差异的窄置信区间，即使包含无效值，也能支持该干预几乎没有或完全没有重要效应。这两种计算均未能囊括所有潜在的偏倚。(cochrane.org)

诊断信息涉及不同的条件概率。相对于金标准（参考标准），灵敏度是指患病人群中检测呈阳性的比例；特异度是指未患病人群中检测呈阴性的比例。阳性预测值是指检测结果呈阳性时实际患病的概率；阴性预测值是指检测结果呈阴性时实际未患病的概率。似然比的定义为 $LR^+=\text{sensitivity}/(1-\text{specificity})$ 以及 $LR^-=(1-\text{sensitivity})/\text{specificity}$ 。根据贝叶斯定理，验后优势等于验前优势乘以相应的似然比。假设灵敏度为 90%、特异度为 90%，则 $LR^+=9$ ：阳性结果可将 10% 的验前概率提升至 50%，但若验前概率仅为 1%，阳性结果只能将其提升至约 8.3%。因此，预测值高度依赖于疾病的发生率（患病率）及目标临床人群。(cebm.ox.ac.uk)

以患者为中心的结局（患者重要结局）直接关系到生存期、症状、机体功能和生活质量。替代结局——例如某种生物标志物或影像学指标——被用来替代这些结局；替代指标的改善并不必然意味着患者获得实质获益。(training.cochrane.org) 复合结局将多种事件合并统计，例如死亡、心肌梗死或住院。解读复合结局必须结合各单项组成成分的具体结果，因为表观上的获益可能仅仅由发生率高但临床意义较轻的组分所驱动，而非死亡率的真正下降。此外，随访时间也决定了效应估计值所捕捉到的具体内容：即使在同一批受试者中测量，短期的症状缓解、持续的长期获益与迟发性危害亦属于截然不同的结局。(cochrane.org)

系统评价与证据整合

系统评价通过明确的方法来检索、筛选、评价和整合相关研究，从而回答一个界定清晰的问题。与文献选择和解读可能不遵循可重复流程的传统叙述性综述不同，系统评价会预先规定研究方法，以期最大限度地减少选择性纳入与偏向性解读。元分析是对两项或多项研究的结果进行统计学合并，它并非系统评价的同义词：一项系统评价完全可以不包含任何汇总估计值。反之，仅有统计学合并并不能证明证据的检索过程是系统性的。(cochrane.org)

系统评价方案会在研究结果对方法学选择产生影响之前，明确规定纳入标准（包括人群、干预措施、对照措施和研究设计），以及计划考察的结局与分析方法。后续若有任何变更，均须说明理由。通过文献检索识别可能符合条件的记录后，评价人员会筛选标题与摘要、查阅全文报告，并记录排除理由。最终的纳入决定应由至少两名评价人员独立作出，分歧则通过预先商定的程序解决。标准化提取表格用于记录研究特征、结局定义、随访期、数值结果以及评价所需的其他信息。对结局数据进行独立双人提取有助于减少错误。分析的关注单元是研究本身，而非其发表物：一份会议摘要、临床试验注册条目、首发论著以及随访报告可能描述的是同一项临床试验。将这些报告关联起来，便可在不重复计算受试者的情况下利用互补信息。(training.cochrane.org)

元分析通常计算可比研究层面效应估计值的加权平均值。在逆方差法合并中，估计值越精确，获得的权重就越大。固定效应模型假定存在一个恒定的潜在效应；随机效应模型则估计效应分布的均值，并将研究间方差计入权重。但随机效应分析并不能使临床上不具可比性的研究变得可比。森林图用于展示各项独立研究的估计值与置信区间，方块面积通常与研究权重成正比，菱形则代表汇总估计值及其区间。(cochrane.org)

在进行数据合并之前，评价人员会考察临床多样性（例如疾病严重程度、给药剂量或医疗环境的差异）以及方法学多样性（例如不同的设计、结局测量方法或偏倚风险）。统计学异质性是指观测效应之间的差异超出了纯粹由抽样误差所能解释的范围。 $I^2$ 统计量描述了由异质性引起的观测变异比例，但其解读取决于具体情境，且在纳入研究较少时具有较大不确定性。预先设定的亚组分析用于探讨潜在的效应修饰因素；亚组间差异需要通过组间直接比较来证实，而不能仅凭一个亚组显著而另一个亚组不显著来下结论。敏感性分析则通过排除高偏倚风险研究或改变统计假设等决策，来检验结论的稳健性。(cochrane.org)

当各项研究针对的是本质不同的问题或提供的结果不具备充分的可比性时，盲目合并可能并不恰当。在这种情况下，采用结构化表格、不附带合并估计值的效应图以及明确说明的定性整合方法，有助于保留重要的区分信息。不包含元分析的系统评价并不等同于非系统性的叙述性综述：其证据的检索、筛选、评价和呈现方式依然可以保持严谨的系统性。仅统计达到统计学显著性的研究数量并不能有效替代效应估计值的对比，因为显著性本身也取决于精度和样本量。(cochrane.org)

证据的缺失会使即使在技术上完全正确的合并结果产生偏差。当研究是否发表取决于其结果的方向或效应强度时，就会产生发表偏倚；选择性传播还包括延迟发表以及选择性不报告某些结局或分析。试验注册记录、研究方案和未发表的结果有助于揭示其与已发表报告之间的差异。漏斗图通过将效应估计值与研究样本量或精度指标进行比对来辅助判断，但漏斗图不对称并不必然等同于发表偏倚：真正的异质性、方法学差异以及偶然性都可能造成类似的形态。反之，图形对称也不能排除存在缺失证据的可能。通常只有在纳入至少十项研究时才会考虑进行不对称性检验，因为更少的研究往往统计效能不足；即便如此，解读时仍须结合研究特征及其他选择性报告的证据进行审慎分析。(cochrane.org)

证据确定性与临床推荐意见

GRADE（推荐分级的评估、制定与评价系统）针对每个关键结局评估整体证据的确定性，而非为某一干预措施笼统地给出一个质量评分。其四个等级反映了对效应量估计值的信任程度：高（high）表示坚信真实效应接近估计值；中（moderate）表示真实效应可能与估计值有一定差异；低（low）表示对估计值的信任程度有限；极低（very low）则表示真实效应很可能与估计值存在实质性差异。在常规的干预类研究评价框架中，随机对照试验的证据初始定为高确定性，观察性研究证据初始定为低确定性，随后根据具体情况进一步评估。这些起始评级并非最终结论。(cdc.gov)

有五个评价领域可能导致证据降级。偏倚风险（risk of bias）涉及研究实施过程中的缺陷；不一致性（inconsistency）指各研究结果之间存在无法解释的差异；间接性（indirectness）指现有证据与目标人群、干预措施、对照措施或结局指标之间存在不匹配；不精确性（imprecision）指置信区间跨越了具有临床重要差异的效应阈值；发表偏倚（publication bias）则指研究结果的发表存在选择性。因此，基于生物标志物而非患者重要结局的证据可能存在间接性；而置信区间同时包含重大获益与重大危害的证据则可能存在不精确性。每个结局指标均需独立评定：例如，关于症状缓解的证据确定性可能高于关于罕见严重不良反应的证据确定性。主要结局简明表（Summary-of-findings tables）将相对效应和绝对效应与受试者及研究数量、确定性分级以及解释性注释一并呈现；Cochrane表格中通常最多包含七个重要结局指标。更详细的证据概况表（evidence profiles）则会按领域逐项记录评价结论。(training.cochrane.org)

在某些情况下，当非随机研究证据显示出巨大效应、可靠的剂量-反应梯度，或者存在的残留混杂只会削弱而非解释观察到的关联时，证据确定性可以升级。但这些考量绝不能简单用于抵消方法学上的缺陷。美国免疫实践咨询委员会（ACIP）在其2024年手册中举例指出，若盲法实施不当本身就可能夸大效应，则即使表观效应巨大，也不应据此恢复确定性评级。因此，升级证据必须合理解释为何所观察到的模式能够真正增强推论的可靠性。(cdc.gov)

证据确定性与推荐强度回答的是不同的问题：前者关乎效应估计值的可信程度，后者则关乎专家组支持某种方案的坚定程度。GRADE将针对某项干预措施的支持或反对意见区分为强推荐（strong）与条件推荐（conditional），并要求开展明确的“证据到决策”（evidence-to-decision）判断，而非将确定性评级机械地转化为推荐意见。(gradeworkinggroup.org) 专家组需要综合权衡利弊、患者对结局的重视程度、资源需求、成本效益、公平性、可接受度以及可行性。例如，世界卫生组织（WHO）的结核病诊断指南在方法学上不仅评估检测准确性，还评估卫生系统各层级在人员培训、设备维护、出结果时间以及可及性等方面的要求。这些考量会对推荐意见产生影响，且独立于对诊断准确性的置信度。(tbksp.who.int)

因此，临床实践指南的制定需要方法学专家、临床医师、目标用户以及受影响人群（包括弱势群体）代表的共同参与。利益冲突必须经过全面评估与有效管理，而不能止步于公开声明：例如在2020年12月制定的WHO结核病诊断推荐意见中，部分人员在经过财务和非财务利益评估后，被排除在GRADE评估和推荐意见讨论之外。(tbksp.who.int) 同样，指南的本土化适应也绝不仅限于翻译指南文本。世界卫生组织2023年发布的本土化情境化手册详细介绍了利用GRADE-ADOLOPMENT框架通过15个步骤从源指南及相关本土证据中采纳、改编或新制定推荐意见的方法，其中明确纳入了对当地可用资源和组织条件的考量。(who.int)

将证据应用于个体患者

适用性取决于患者与研究受试者之间的差异是否会实质性改变预期的获益、危害或医疗照护的实施。相关差异包括年龄、疾病严重程度、合并症、基线风险、联合治疗以及医疗环境。临床试验的入组标准并非临床应用的绝对界限：关键在于是否存在充分理由表明这些发现无法外推。医疗资源的可及性也同样重要。由经验丰富的医护人员实施并具备可靠随访的干预措施，在专科服务、医疗设施或治疗可及性受限的环境中，可能无法取得同等效果。因此，适用性既涉及生物学层面的差异，也关乎干预措施能否在相似条件下切实执行。(cochrane.org)

临床专业知识将这些考量融入临床问诊之中。戴维·萨克特（David Sackett）在 1997 年对循证医学的论述中，将专业知识阐述为有效的诊断能力，以及对患者具体情况、权利和偏好的关注。其作用并非单纯用经验否定研究证据，而是确定证据针对的是哪项临床问题，以及这些证据与就诊个体的关联。因此，诊断评估、疾病分期、现有治疗方案以及切实可行的实施选项，都会纳入对研究结果的解读之中。例如，若患者正在接受截然不同的联合照护，针对特定背景治疗方案所补充的某项疗法的证据，其直接适用性可能就会降低。(cochrane.org)

共同决策将这种对证据的解读与患者的优先考量结合起来。维克托·蒙托里（Victor Montori）和戈登·盖亚特（Gordon Guyatt）于 2008 年强调，偏好包括目标、预期以及对获益、危害、费用和不便之处的权衡考量，而不仅仅是对提议方案的接受或拒绝。(jamanetwork.com) 沟通过程中借助具有可比性的绝对数值，使这些权衡更加明确。英国国家卫生与临床优化研究所（NICE）的共同决策指南明确提出，应使用绝对风险和自然频数，而非仅提供相对效应。(nice.org.uk) 例如在一种假定情境中，估计的五年事件风险若从未治疗时的 100 人中 20 例降至治疗后的 100 人中 15 例，即代表每 100 人中可减少 5 例事件。任何与治疗相关的危害也应以相同的分母和明确的时间跨度来呈现。此类估算描述的是预期频数，而非对个体结局的确定保证；估算中的不确定性仍应是讨论的一部分。(cochrane.org)

人群平均效应与疗效变异之间也需要加以区分。试验中的平均效应估算并不能证明每位受试者都获得同等获益。即便相对效应相同，基线风险不同的患者所获得的绝对获益也可能截然不同。(cochrane.org) 亚组分析有助于识别这种变异，但其可靠性不仅取决于年长与年轻患者或其他类别之间是否显示出各自独立的结果。某项效应在一个亚组中具有统计学显著性而在另一亚组中不显著，并不足以证明两组之间存在差异；这需要对统计交互作用进行直接评估。预先设定分析、限制假设数量、结果的一致性以及合理的机制依据都能增强解读的可靠性，而大量的探索性比较则会增加偶发性结果的风险。此外，不同研究整体验之间的比较还可能因研究特征之间的混杂而产生偏差。(training.cochrane.org)

共病（即两种或两种以上长期共存的慢性疾病）使单独应用针对单项疾病的临床推荐变得更加复杂。NICE 2016 年的指南指出，这些推荐背后的证据通常来自患病较少、常规用药较少的受试人群。因此，将多项推荐简单叠加，可能会产生未经综合评估的药物相互作用、不良反应、频繁就诊以及沉重的日常治疗负担。个体化评估会统筹考量症状缓解、疾病预防、自理能力、生活质量以及治疗负担。预期寿命受限或身体虚弱也可能会削弱旨在改善长期预后的干预措施带来的整体获益。NICE 提出了制定个体化管理计划的建议，记录优先事项、治疗决策、协调职责和复查安排，而非将针对每种疾病的推荐视为各自孤立的强制要求。(nice.org.uk)

教育、实施与评估

医学教育将循证医学转化为可观察的实际能力，而不仅是对研究术语的熟悉。学习者提出可回答的问题、检索信息、评估有效性与适用性、解读疗效及不确定性，并结合临床专业技能与患者意愿来应用这些发现。2018年由洛艾·阿尔巴尔库尼（Loai Albarqouni）主导的一项共识研究通过证据审查、改良德尔菲调查及专家会议，确定了68项核心能力。该框架将只需提及或解释的内容与需要实际练习的技能（包括检索、解读置信区间，以及评估治疗和诊断性研究）区分开来。对个人表现的评估构成了完整闭环，并将培训与终身学习衔接起来。(jamanetwork.com)

教学形式包括文献阅读俱乐部（Journal Club）、导师指导下的文献评价、研讨班，以及融入查房或门诊会诊的教学。在临床一体化教学中，真实的接诊过程会引出问题；学习者检索并评价证据，随后与带教老师讨论其临床意义。系统评价和证据总结等经过预评价的资源能够为这一过程提供支持，而无需在每次决策时都重新对原始研究进行评价。阿里·库马拉萨米（Arri Coomarasamy）与哈立德·汗（Khalid Khan）于2004年发表的一篇综述纳入了23项教育研究：其中18项考察了独立教学，5项考察了临床一体化教学。独立教学提高了知识水平，而一体化教学还改善了评价技能、态度和行为。但这些教育成果本身并不能直接证明患者的健康状况得到了改善。2011年的CREATE评估框架明确将知识、技能、行为和患者获益区分开来，避免将课程满意度或考试成绩等同于临床有效性。(pmc.ncbi.nlm.nih.gov)

机构层面的实施工作将指南建议转化为具体的操作安排：临床路径明确了评估和治疗的先后顺序，而决策支持工具则将相关建议融入临床工作流中。实施还需要明确分工职责、安排培训，并确保能够获取必要的药品、检验、设备及转诊服务。泛美卫生组织2023年发布的《循证指南调整与实施手册》（Handbook for Adapting and Implementing Evidence-Informed Guidelines）将实施视为一个结构化的方案，涵盖结合具体情境进行本土化调整、识别障碍与促进因素、选择实施策略以及监测指标等环节。因此，教育干预解决的是知识匮乏问题，而物资短缺或人员不足则需要通过组织管理手段来应对；单靠分发指南无法自动解决上述任何一个问题。(who.int)

临床审计与反馈通过将记录的医疗实践与明确的标准进行对照，并将结果反馈给临床医生或医疗团队，从而使证据与实践之间的差距变得可衡量。反馈形式可以包括与表现优秀的同行进行对比、与受尊敬的同事进行探讨，以及制定切实可行的改进计划。一项于2026年发表的考克兰（Cochrane）系统评价纳入了292项随机对照研究。在提供558项二分类专业实践结局的177项研究中，期望临床实践的中位绝对改善率为2.7个百分点，四分位距为0.0至8.6个百分点。干预效果存在很大差异，且反馈往往伴随教育或提醒措施；因此，这些结果并不意味着每一种反馈项目都能产生一致的效果。(cochrane.org)

评估工作将实施过程与患者结局区分开来。过程指标关注预定活动是否发生（例如合理处方或检验开具），而患者结局关注由此带来的健康获益与危害。同样，教育评估也将展现出的文献评价能力与随后的诊疗行为改变区分开来。这种区分至关重要，因为对流程依从性的提高本身并不能直接衡量患者的获益情况。指标的选择属于实施规划的一部分，同时还要评估某项策略在目标环境中是否切实可行。(cochrane.org)

循证公共卫生与卫生系统决策采用了类似的方法，但针对的行动单元不同。临床医疗关注的是个体患者的治疗选择；而公共卫生项目与政策决策还需要额外评估人群覆盖面、资源需求、公平性、可接受度以及服务提供能力。世界卫生组织的指南制定框架将这些考量纳入决策过程，而不是仅将干预措施预估的临床效果作为推行某项医疗服务提供政策的充分依据。(who.int)

证据缺口与方法学局限

严苛的入选标准虽能保证研究结果具有内部效度，却往往给常规诊疗带来不确定性。排除患有多重疾病、器官功能受损或高龄的患者，会减少针对这些人群的直接证据；代表性不足也会降低亚组效应估计的精确度。例如，1996 年美国卡维地洛心力衰竭试验项目排除了患有严重肝肾疾病，以及患有除心力衰竭外可能限制运动或生存的疾病的患者。此类排除并不意味着治疗效果在被排除的患者中必然不同，但确实让这一问题缺乏直接验证。专业人员配置、严密监测以及异常偏高的依从性，都会进一步拉开研究环境与日常临床实践之间的距离。这些属于外部效度（即可推广性）的局限，有别于针对实际入组受试者评估疗效时产生的偏倚。(nejm.org)

罕见危害与远期结局构成了另一类证据缺口：旨在检测相对常见获益的临床试验，其样本量或随访时间可能不足以充分评估罕见毒性、累积性损伤或数年后才显现的效应。因此，未能观察到不良事件并不等同于不良事件不存在。大型观察性队列研究、病例对照研究、关联医疗记录以及上市后监测能够覆盖更广泛的人群和更长的暴露期，从而对随机对照试验形成有力补充。然而，病情严重程度、处方习惯以及结局判定的差异可能会扭曲这些比较。特别是，当接受治疗的原因本身也能预测结局时，就会产生适应证混杂。互补性研究设计拓展了可供探索的科学问题，但这并不意味着无需再对各设计的偏倚进行严格评估。(cochrane.org)

对于复杂干预措施而言，不确定性不仅在于某项干预是否有效，更在于具体实施了哪些内容以及它如何与所处环境相互作用。一项康复或服务重组计划可能同时包含人员培训、反复患者接触、转诊安排和行为支持。其最终效果可能取决于各组分之间的相互作用、实施的依从度以及现有的医疗服务体系。因此，跨多个项目的平均效应可能会掩盖实施过程中的重要差异。过程评估与定性研究可以在开展对照结局研究的同时，探讨作用机制、参与者体验及情境约束条件。这些信息有助于区分是干预措施的底层机制失效，还是仅仅在实施环节出现偏差，不过它们本身并不能独立确立因果治疗效应的大小。(cochrane.org)

可获取的文献对研究现状的反映同样是不完整且具有时效性的。检索策略过时会遗漏最新成果；无法获取全文则阻碍了完整的纳排标准评估或数据提取；语言限制还可能将相关研究排除在外。报告不充分可能导致某些研究即便被检索到，也无法获取其结局指标、测量时间点或具体数值结果。相反，多篇论文可能报道的是同一项研究，若未建立文献关联，便存在重复计算的风险。考克兰协作网于 2025 年 3 月更新的检索指南明确规定，系统评价发表前 12 个月内（最好尽可能贴近发表时间）须重新运行相关检索，并对新增题录进行筛查。试验注册平台、监管审批文件、临床研究报告以及直接联系研究者，均为获取常规期刊检索所遗漏证据的重要途径。(cochrane.org)

缺乏可靠证据必须与证实几乎没有或毫无重要效应的证据明确区分开来。一项置信区间较宽的小型研究，其结果可能既不排除存在临床意义的获益，也不排除存在重大危害；而一个排除了临床重要差异且足够精确的估计值，则支持完全不同的结论。明确的不确定性评估能够指明应采取何种针对性的研究改进来弥补缺口：针对不精确性扩大样本量，针对间接性放宽招募标准，针对远期结局延长随访时间，或针对严重偏倚设计更严密的研究。考克兰的研究启示框架将这些局限性与特定的人群、干预对照、结局指标及研究方法对应起来，而非泛泛呼吁“需要更多研究”作为充足的研究优先级建议。(cochrane.org)

参考来源

Evidence, policy, impact: WHO guide for evidence-informed decision-makingwho.int
Evidence, policy, impact. WHO guide for evidence-informed decision-makingiris.who.int
Historyswiss.cochrane.org
Chapter I: Introductioncochrane.org
Our historycebm.ox.ac.uk
Reflections on David Sackett's time at the Centre for Evidence-Based Medicinecebm.ox.ac.uk
Evidence-based practice instruction by faculty members and librarians in North American optometry and ophthalmology programspmc.ncbi.nlm.nih.gov
Presentation of presentationscebm.ox.ac.uk
Slide 1cebm.ox.ac.uk
About MEDLINEnlm.nih.gov
Cochrane Librarycochrane.org
Chapter 4: Searching for and selecting studiescochrane.org
The 2011 Oxford CEBM Levels of Evidence: Introductory Documentcebm.ox.ac.uk
Foundations of MeSH in MEDLINEnlm.nih.gov
Refining Your Search - Beyond Automatic Term Mappingnlm.nih.gov
Chapter 8: Assessing risk of bias in a randomized trialcochrane.org
Chapter 24: Including non-randomized studies on intervention effectscochrane.org
Principles of Epidemiology in Public Health Practice, Third Edition: An Introductionarchive.cdc.gov
Oxford Centre for Evidence-Based Medicine 2011 Levels of Evidencecebm.ox.ac.uk
Chapter 15: Interpreting results and drawing conclusionscochrane.org
Using evidence from qualitative research to develop WHO guidelinesmethods.cochrane.org
Chapter 14: Completing ‘Summary of findings’ tables and grading the certainty of the evidencetraining.cochrane.org
Chapter 7: Considering bias and conflicts of interest among the included studiescochrane.org
Chapter 25: Assessing risk of bias in a non-randomized studycochrane.org
Chapter 6: Choosing effect measures and computing estimates of effectcochrane.org
Likelihood Ratios — Centre for Evidence-Based Medicine (CEBM), University of Oxfordcebm.ox.ac.uk
Chapter 3: Defining the criteria for including studies and how they will be grouped for the synthesistraining.cochrane.org
Chapter 1: Starting a reviewtraining.cochrane.org
Chapter 5: Collecting datacochrane.org
Chapter 9: Summarizing study characteristics and preparing for synthesiscochrane.org
Chapter 10: Analysing data and undertaking meta-analysescochrane.org
Chapter 12: Synthesizing and presenting findings using other methodscochrane.org
Chapter 13: Assessing risk of bias due to missing evidence in a meta-analysiscochrane.org
Chapter 7: GRADE Criteria Determining Certainty of Evidencecdc.gov
Chapter 9: Domains Increasing One’s Certainty in the Evidencecdc.gov
Criteria for applying or using GRADEgradeworkinggroup.org
Strengthening countries’ capacities to adopt and adapt evidence-based guidelines: a handbook for guideline contextualizationwho.int
Evidence-based medicinepubmed.ncbi.nlm.nih.gov
Recommendations: Shared decision makingnice.org.uk
Recommendations: Multimorbidity: clinical assessment and managementnice.org.uk
Sicily statement on evidence-based practicepmc.ncbi.nlm.nih.gov
Sicily statement on classification and development of evidence-based practice learning assessment toolspmc.ncbi.nlm.nih.gov
Handbook for Adapting and Implementing Evidence-Informed Guidelines. Second Editionwho.int
Audit and feedback: effects on professional practicecochrane.org
WHO handbook for guideline development, 2nd Editionwho.int
Chapter 19: Adverse effectscochrane.org
Chapter 17: Intervention complexitycochrane.org