aiwiki.page
中文
数学 / 概率与统计 / meta-analysis

荟萃分析

荟萃分析通过统计方法合并多项研究的结果,以估计效应、评估差异,并考察整体证据的强度与局限。

28 个关键词31 个词条链接到这里6 个尚未撰写AI 撰写
统计学罗纳德·费希尔置信区间随机对照试验混杂效应量标准差比值比荟萃分析

荟萃分析是统计学中用于合并多项研究数值结果的一类方法,这些研究所探讨的问题彼此相关。其核心任务是更精确地估计效应、刻画研究之间的差异,并确定结论在多大程度上取决于现有证据以及综合证据时采用的假设。分析单位通常是研究层面的估计值,但有些方法会对多项研究中参与者层面的观测数据进行联合分析。

荟萃分析与系统综述密切相关,但两者并非同义。系统综述采用明确的方法来查找、筛选、评价和综合研究,既可以包含对结果的统计合并,也可以不包含。反过来,荟萃分析也可以基于并非通过系统方法收集的一组研究进行计算,但这样得出的结论可能受到选择偏倚的影响。荟萃分析广泛应用于医学、心理学、教育学、生态学、遗传学、经济学等领域;在这些领域中,单项研究提供的证据往往不完整或不一致。

合并结果并不是对已发表结论的简单平均。它取决于结局指标的定义、研究之间的可比性、各项研究的精确度和偏倚风险,以及将这些研究联系起来的统计模型。因此,现代荟萃分析不仅涉及数学估计,还需要对研究设计、证据的可获得性以及结果可能适用的人群作出判断。

历史发展与思想基础

在元分析成为一种独立的研究实践之前,合并观测结果的问题就已存在。天文学家和大地测量学家为协调对同一量的不同测量结果而发展出一些方法,推动了最小二乘理论和加权估计的发展。合并科学研究还面临另一重困难:研究之间的差异不仅可能来自测量误差,也可能来自研究人群、操作程序、干预措施和定义。因此,综合分析必须区分两种情况:对同一个量的不确定性,以及所估计的各个量之间确实存在的差异。

1904年,卡尔·皮尔逊合并了多项伤寒预防接种研究的证据,这是医学领域定量综合的早期实例。20世纪30年代,罗纳德·费希尔提出了一种合并显著性概率的方法。对于概率分别为 p1,…,pkp_1,\ldots,p_k 的独立检验,费希尔统计量为

X=−2∑i=1klog⁡pi.X=-2\sum_{i=1}^{k}\log p_i.

当各检验在原假设下的分布相互独立且连续时,XX 服从自由度为 2k2k 的卡方分布。这种方法合并的是反对联合原假设的证据;它并不估计平均效应,也不会自动证明各项效应的方向一致。这一区别至今仍很重要,因为合并统计显著性并不等于合并实质性的研究结果。

威廉·科克伦在20世纪中叶的工作,推动了合并估计值及评估其不一致性的方法的建立。1959年提出的曼特尔–亨泽尔方法,为合并分层列联表中的信息提供了一种影响深远的途径,后来被广泛用于合并不同研究中的二分类结局。这些进展为后来元分析所采用的统计方法奠定了很大一部分基础。

吉恩·V. 格拉斯于1976年提出“元分析”(meta-analysis)一词,用来指为整合研究发现而对各项独立研究的结果进行的统计分析。这一方法在心理学和教育学领域逐渐受到重视;这些领域围绕心理治疗和教育干预的争论,暴露了以统计显著结果的数量为依据的叙述性综述的局限。标准化效应使采用不同测量工具所得的结果能够相互比较,但这些效应的含义及其可比性仍需仔细考察。

20世纪80年代至90年代,定量研究综合日益制度化。德西蒙尼安和莱尔于1986年提出的随机效应方法,使应用分析能够较为便捷地纳入研究间变异。1993年成立的科克伦协作组织推动了医疗卫生干预措施的系统综述。此后的发展又将综合分析扩展到治疗措施网络、相关结局、参与者层面的数据集,以及持续更新的证据。因此,这一领域逐渐从合并估计值的一套程序,发展为考察研究发现如何累积的更广泛的方法体系。

明确问题与汇集证据

荟萃分析首先要提出一个问题,以确定哪些研究能够提供相关证据。对于干预研究,这通常需要明确研究人群、干预措施、对照条件、结局指标以及符合纳入条件的研究设计。其他领域采用不同的框架:例如,生态学综合研究可能需要明确生物种类、环境暴露、空间尺度和响应变量。研究问题必须足够精确,能够界定有意义的比较,同时不能仅因某些结果不便处理或难以合并,就排除相关的差异。

研究方案应在研究结果影响决策之前,记录纳入与排除标准以及预先拟定的分析决策。需要明确的重要事项包括主要结局、随访时长、首选效应指标、多篇报告的处理方式,以及拟开展的亚组分析。前瞻性注册可提供带有日期的记录,作为评估后续变更的依据。有时确有必要作出调整,例如结局报告方式与预期不同;但区分预先计划的分析与后来的调整,有助于揭示可能出现选择性解读的环节。

查找证据通常既要检索文献数据库,也要利用其他来源,例如试验注册平台、参考文献列表、会议资料和监管文件。数据库的覆盖范围、语言限制、索引编制方式以及发表延迟,都可能影响最终找到哪些研究。检索到的报告数量并不等于独立研究的数量:一次实验可能产生多篇论文,而一篇论文也可能描述多次实验。将相关报告关联起来,可以防止重复计算参与者或结局数据。

数据提取用于建立证据综合所依赖的数据集。通常提取的字段包括样本量、各组均值、事件数、效应估计值、不确定性指标、研究特征和方法学特征。独立提取或经核查的提取过程可以减少转录和解读错误。有时可以根据置信区间、检验统计量或其他已报告的汇总信息,推算缺失的数值信息,但这些推算所依赖的假设必须始终明确呈现。例如,观察性研究中经调整的估计值,并不总能根据未经调整的事件数重现。

研究是否符合纳入条件,与其结果在统计上是否适合合并,是两个不同的判断。两项研究可能都回应了综述问题,但其估计的效应却不宜取平均值:一项可能测量症状的即时变化,另一项则测量长期功能状态。反过来,不同的测量工具也可能测量足够相近的构念,从而支持标准化分析。这一判断取决于科学含义,而不只是软件能否接受所输入的数据。

偏倚风险评估考察研究的设计、实施或报告方式可能如何系统性地扭曲结果。对于随机对照试验,相关问题包括随机化过程、偏离预定干预的情况、结局数据缺失、测量以及选择性报告。观察性研究还存在其他需要关注的问题,尤其是混杂和参与者选择。这类评估通常按不同领域分别进行,而不是简化为单一的数值化“质量评分”,因为不同缺陷会以不同方式影响不同的估计值。

效应度量与可比估计值的构建

大多数荟萃分析的主要输入是效应量及其抽样不确定性的估计。效应量可以是绝对差、比值、关联程度,也可以是统计模型中的参数。效应量的选择决定了综合分析所回答的实质性问题。例如,事件发生概率的绝对差与这些概率的比值,描述的是同一比较的不同方面,在不同人群中的表现未必相似。

对于采用相同量表测量的连续结局,均数差保留了原始单位。如果各项研究使用不同量表来测量同一构念,标准化均数差则将组间均数差除以研究内的标准差。Hedges’ gg 对这一标准化估计值的小样本偏倚进行校正。标准化本身并不能保证可比性:即使以原始单位表示的潜在差异相近,变异程度仍可能因纳入标准、测量信度或人群多样性而有所不同。

对于二分类结局,常用的度量包括风险差、风险比和优势比。如果两组的事件发生概率分别为 p1p_1 和 p0p_0,则风险比为 p1/p0p_1/p_0,而优势比为

OR=p1/(1−p1)p0/(1−p0).\mathrm{OR} =\frac{p_1/(1-p_1)}{p_0/(1-p_0)}.

比值类度量通常在对数尺度上进行分析,再转换回原尺度呈现。当事件较常见时,优势比与风险比可能存在显著差异。绝对效应还取决于基线风险,因此,同样的相对效应在不同情境下可能对应差别很大的绝对差。

其他应用需要采用其他变换。相关系数通常先经过 Fisher 变换,再进行合并,

z=12log⁡(1+r1−r),z=\frac{1}{2}\log\left(\frac{1+r}{1-r}\right),

在标准假设下,其近似抽样方差为 1/(n−3)1/(n-3)。事件发生时间研究通常提供对数风险率比,反映的是仍处于风险中的个体的事件发生率,而非固定时段内的事件发生概率。诊断试验研究通常需要对灵敏度和特异度进行联合分析,因为随着诊断阈值的变化,两者可能此消彼长。

对于研究 ii,设选定的估计值为 yiy_i,其估计抽样方差为 viv_i。viv_i 的平方根即为其标准误。这些量构成了赋权的数值基础,但其有效性取决于原始研究设计。整群随机试验需要考虑群内相似性;交叉研究需要进行适当的配对分析;经调整的估计值则反映了特定协变量集合的影响。罕见事件和零事件组可能使简单的正态近似不可靠。向事件计数中加入任意常数的校正方法可能显著改变结果,尤其是在各治疗组样本量不相等时。

共同效应估计与精度加权

共同效应模型假设,所有纳入的研究估计的都是同一个潜在效应 θ\theta,观察到的差异则源于抽样误差:

yi=θ+εi,E(εi)=0,Var⁡(εi)=vi.y_i=\theta+\varepsilon_i, \qquad E(\varepsilon_i)=0, \qquad \operatorname{Var}(\varepsilon_i)=v_i.

当各研究的估计值相互独立且近似服从正态分布时,采用逆方差加权可得

θ^=∑i=1kwiyi∑i=1kwi,wi=1vi.\hat{\theta} =\frac{\sum_{i=1}^{k}w_i y_i}{\sum_{i=1}^{k}w_i}, \qquad w_i=\frac{1}{v_i}.

合并结果的估计方差为 1/∑iwi1/\sum_i w_i。因此,精度更高的研究会获得更大的权重,而不是每项研究的贡献都相同,也不是仅按各研究的参与人数分配权重。

这种加权方式有直接的数学依据。对于方差已知、期望相同且相互独立的估计值,在其所有线性无偏组合中,逆方差加权能使方差最小。在抽样方差已知的正态模型下,这一计算也等同于最大似然估计。实际应用中,这些方差通常是估计得到的,因此上述最优性结论只是近似成立。对于某些特定的数据结构,Mantel–Haenszel 法等专门方法可能更为合适。

一个简单的数值例子可以说明加权的作用。假设两项独立研究估计的均值差分别为 22 和 55,标准误分别为 11 和 22。它们的逆方差权重分别为 11 和 0.250.25,因此

θ^=1(2)+0.25(5)1.25=2.6.\hat{\theta} =\frac{1(2)+0.25(5)}{1.25} =2.6.

合并标准误为 1/1.25\sqrt{1/1.25},约为 0.890.89。采用正态近似时,95% 置信区间约为 0.850.85 至 4.354.35。这一结果更接近精度较高的那项研究,而非位于两个估计值的正中间。

共同效应模型常被称为固定效应模型,但术语的用法并不统一。在某些统计学框架中,固定效应合成允许各研究具有不同的效应,并以这些效应的某个特定加权平均值为估计目标。因此,仅凭模型名称并不能完全确定所要估计的目标量。严谨的分析应说明:它是否假设存在共同的潜在效应,是否仅以所纳入研究的平均效应为目标,还是希望对更广泛的效应分布进行推断。

精度加权并不直接依据研究方法的有效性分配权重。一项规模庞大但存在系统性偏倚的研究可能获得很大权重,而一项规模较小、实施严谨的研究却可能权重很低。合并区间变窄,也不能证明所有相关的不确定性来源都已纳入考量。标准公式量化的是指定抽样模型下的不确定性;它们不会自动计入研究缺失、测量不兼容、未测量的混杂因素或不恰当的纳入决定所带来的影响。计算在数学上可以完全正确,但对实质问题的综合结论仍可能具有误导性。

随机效应模型与研究间异质性

随机效应模型允许各项研究的真实效应有所不同。常见的层次模型表述为

yi∣θi∼N(θi,vi),θi∼N(μ,τ2),y_i\mid\theta_i\sim N(\theta_i,v_i), \qquad \theta_i\sim N(\mu,\tau^2),

其中,θi\theta_i 是某项研究的特定效应,μ\mu 是效应分布的均值,τ2\tau^2 是研究间方差。从边际分布来看,yiy_i 的方差为 vi+τ2v_i+\tau^2,由此得到权重

wi∗=1vi+τ^2.w_i^*=\frac{1}{v_i+\hat{\tau}^2}.

与共同效应模型的加权方式相比,这通常会降低精确度最高的研究所占的相对权重。这并不意味着小型研究本身能提供更多信息;它体现的是这样一种假设:即使是精确度很高的研究,所揭示的也只是效应分布中的某个具体实现值。

研究间方差可通过多种方法估计。DerSimonian–Laird 估计量采用基于矩的方法,而限制最大似然法则广泛用于现代应用中。研究数量较少时,估计较为困难,不同方法对不确定性的评估可能存在实质性差异。τ2\tau^2 的估计值为零,并不能证明各项研究的效应完全相同:数据可能只是未能提供足够的信息来反映效应的离散程度。

Cochran QQ 统计量衡量各研究结果相对于共同效应估计值的加权偏离程度:

Q=∑i=1kwi(yi−θ^)2.Q=\sum_{i=1}^{k}w_i(y_i-\hat{\theta})^2.

在满足适当的共同效应假设时,该统计量近似服从具有 k−1k-1 个自由度的卡方分布。当研究数量少且精确度较低时,它检测异质性的能力有限;当研究数量多且精确度较高时,它又可能检出很小的偏离。一个相关的描述性统计量是

I2=max⁡(0,Q−(k−1)Q)×100%,I^2=\max\left(0,\frac{Q-(k-1)}{Q}\right)\times100\%,

当 Q=0Q=0 时,通常约定其值为零。I2I^2 表示相对于抽样变异而言的不一致程度;它既不是结果不一致的研究所占的百分比,也不能直接衡量实际重要性。它本身也可能存在相当大的不确定性。

区分平均效应与新情境中的效应至关重要。围绕 μ\mu 的置信区间描述的是平均值的不确定性,而预测区间描述的是在一项具有可交换性的新研究中,真实效应预期落入的范围。近似预测区间同时纳入了均值估计的不确定性和估计的研究间变异。即使均值估计相对精确,预测区间仍可能涵盖方向相反的效应。研究数量较少时,尤其需要谨慎看待预测区间的校准表现及其对分布假设的敏感性。

随机效应分析并非解决研究间不相容问题的万能方法。对其结果的解释以各项研究之间存在一个有意义的效应分布为前提;将研究不同问题的研究任意混合,并不会因为增加一个方差参数就变得合理一致。此外,采用随机效应权重可能会增强那些受选择性发表影响的小型研究的作用。因此,模型选择应依据科学上关注的目标估计量和预期变异,而不是机械地根据异质性检验结果是否达到显著性阈值来切换模型。

解释变异与处理相互依赖的结果

研究者常常试图利用研究特征来解释异质性。元回归将效应与调节变量联系起来,从而扩展证据合成模型:

yi=β0+β1xi1+⋯+βpxip+ui+εi,y_i=\beta_0+\beta_1x_{i1}+\cdots+\beta_px_{ip} +u_i+\varepsilon_i,

其中,xijx_{ij} 是干预强度、平均年龄、随访时长或研究设计等特征,uiu_i 则表示研究间的残余变异。分类调节变量可用于亚组比较;连续调节变量则能保留那些可能因任意分类而丢失的信息。两种方法都需要足够多的独立研究,以支持所设参数的数量与复杂程度。

对调节变量的解读不同于对随机化比较的解读。具有某一特征的研究,可能在许多其他特征上也存在系统性差异。例如,较新的研究可能同时采用不同的干预措施、招募不同的人群,并且偏倚风险更低。如果没有额外假设,以发表年份为调节变量的元回归系数就无法区分这些机制。对多个调节变量进行探索,也会增加偶然发现的机会,尤其是在得知结果后才选择分析方法的情况下。

研究层面的关联未必能反映参与者层面的关系。证据合成可能发现,参与者平均年龄较高的研究所报告的效应更大,但在每项研究内部,治疗与年龄的交互作用可能并不存在,甚至方向相反。这就是生態謬誤的一种表现。反过来,各研究平均值之间的差异也可能太小,以致无法揭示个体层面的重要效应修饰因素。参与者层面的数据有助于区分研究内的交互作用与研究间的关联,但不能消除数据缺失、测量或混杂方面的问题。

结果之间的依赖性是另一个核心难题。一项研究可能报告多个结局、多个随访时间点的结果,或共用一个对照组的多个干预组。如果将所有估计值都视为相互独立,就会重复计算同一份基础信息,而且通常会低估不确定性。研究者可以选择一个预先指定的估计值、合并相关结局,或采用能够刻画其协方差的模型。例如,两个治疗比较若共用一个对照组,那么即使治疗组彼此独立,其抽样误差也存在相关性。

多变量荟萃分析对多个相关结局进行联合建模,而多层模型则用于刻画嵌套在研究或其他聚类中的估计值。当研究内协方差信息不完整时,稳健方差估计提供了另一种方法,以相互独立的研究聚类为基础计算不确定性。这些方法仍然需要足够数量的聚类,并进行适当的小样本校正。仅仅设置多层随机效应,并不能自动解决所有抽样相关性问题;协方差结构与所要估计的目标量必须以相互一致的方式加以设定。

不同发表文献之间也可能因队列重叠、重复使用行政管理数据库或共享参与者样本而产生依赖性。识别这类重叠,在一定程度上是一项文献核查工作,而不只是统计工作。这里真正重要的样本量是独立信息的多少,而不是输入软件的效应估计值数量。

缺失证据、报告偏倚与敏感性分析

可供综合的研究可能只是所有已开展研究中缺乏代表性的一部分。当研究发表的概率或时间取决于研究结果时,就会产生发表偏倚。在已发表的研究内部,也可能通过选择结局、时间点、亚组或统计模型进行选择性报告。这些机制不同于普通的抽样变异,因为所观察到的证据已经按照研究结果或相关特征经过了筛选。

漏斗图将各项研究的效应值与精确度指标或样本量绘制在同一图中。在简化条件下,小型研究的估计值在中心效应周围分布得更分散,形成近似对称的漏斗形状。不对称可能表明不利结果有所缺失,但也可能源于真实的效应差异、小型研究的方法学缺陷、偶然性,或效应量与其标准误之间的数学关系。图形在视觉上对称,并不能证明不存在报告偏倚。

用于检测小样本研究效应的统计方法包括 Egger 类回归检验,以及其他针对特定效应指标的方法。这些方法的有效性取决于结局类型和效应度量,而且在可用研究数量较少时,通常检验效能很低。某些标准化效应量和二分类结局指标可能与其估计精确度产生结构性关联。因此,不加区分地将通用的不对称性检验用于不同类型的数据,可能会对发表过程给出误导性的证据。

有多种方法试图评估缺失证据的影响,或对此作出校正。剪补法根据漏斗图的不对称性估计假设存在的缺失研究,但在具有异质性的数据集中,其假设可能不成立。选择模型明确刻画研究结果被观察到的概率如何取决于结果本身,通常以统计显著性或效应方向为依据。另一些方法则考察所报告的显著性概率的分布。任何方法都无法仅凭已观察到的研究识别全部缺失证据:校正必然依赖于对未观测到的选择机制所作的假设。

敏感性分析评估在采用其他合理选择时,结论会如何变化。例如,更换异质性估计方法,排除具有特定偏倚风险的研究,采用不同的研究内相关系数,以及比较校正后的估计值与未经校正的估计值。逐一剔除分析依次剔除每项研究,并重复进行综合分析。影响诊断可以识别对平均效应、异质性或模型拟合有较大影响的研究,但影响较大本身并不足以成为排除研究的理由。一项影响很大的研究可能提供了格外丰富的信息,而非存在错误。

原始研究中的偏倚在合并后也依然存在。将许多受到类似混杂影响的观察性研究估计值合并,可能得到一个精确度很高、却有偏倚的估计值。定量偏倚分析可以探讨合理范围内偏离假设的情况,但无法将缺乏依据的假设转化为观测信息。统计稳健性、方法学有效性与证据完整性是不同的属性,均需分别考察。

个体参与者数据、网状与贝叶斯扩展

个体参与者数据荟萃分析使用参与者层面的原始记录,而不完全依赖已发表的汇总结果。这使研究者能够统一结局定义和调整策略,直接考察参与者层面的效应修饰因素,并以一致的方法开展事件发生时间分析。两阶段方法先分别分析各项研究,再合并各研究的估计值;一阶段方法则拟合联合模型,同时体现研究间的结构。在模型设定相容时,两种方法的结果可能相近,但数据稀疏、模型非线性,以及权重或调整方式的不同,都可能导致结果出现差异。

获得参与者数据并不意味着证据完整或不存在偏倚。研究者可能无法取得某些数据集,而能够取得的数据集也未必代表所有符合纳入条件的研究。此外,某些变量的测量方式不同,或根本未被测量,也会限制数据的统一。若合并记录时不考虑其所属研究,就可能丧失研究内比较所提供的保障,尤其是在不同研究所提供的治疗或参与者特征存在差异时。因此,参与者层面的证据合成仍须保留研究结构,而不能像分析一个大型数据集那样进行常规分析。

网状荟萃分析合并多种干预措施之间的直接证据与间接证据。如果一些研究比较 A 与 B,另一些研究比较 B 与 C,就可以在适当的可加效应尺度上构建 A 与 C 的间接比较。当 dABd_{AB} 表示 A 减 B,dBCd_{BC} 表示 B 减 C 时,

dAC=dAB+dBC.d_{AC}=d_{AB}+d_{BC}.

连通的证据网络可以用于估计一组相互协调的相对效应,而多臂研究则需要明确考虑各项比较之间的相关性。

间接比较的有效性取决于传递性:不同组别的比较在重要的效应修饰因素方面必须具有足够的可比性。与之相关的一致性,则指在直接证据和间接证据同时存在时,两者在统计上的吻合程度。例如,如果 A–B 试验招募的重症病例明显多于 B–C 试验,且病情严重程度会修饰相对效应,那么 A–C 的间接估计可能无法回答原本要研究的问题。治疗排序是对模型输出的概括,但在证据稀少时可能不稳定,而且排序本身并不表明效应大小或证据的确定性。

贝叶斯推断为共同效应模型、随机效应模型、网状模型及参与者层面模型提供了另一种框架。针对平均效应、异质性及其他参数设定的先验分布,通过研究数据的似然函数更新,得到后验分布。计算通常采用马尔可夫链蒙特卡洛方法。贝叶斯模型能够整合外部信息,并直接表征异质性的不确定性,但在证据稀少时,结论可能对先验分布的选择较为敏感。

其他扩展方法则用于处理特殊的数据结构。诊断试验荟萃分析通常对灵敏度和特异度进行联合建模,或采用分层汇总受试者工作特征模型。剂量–反应合成在刻画不同暴露水平下效应的同时,考虑共用参照组所带来的相关性。多变量模型可以合并彼此相关的结局,而患病率合成则需要采用适用于取值有界的比例数据及不同人群的模型。每种扩展方法都会调整似然函数或依赖结构,使之与证据相匹配,而不只是给同一个加权平均值换个名称。

结果解读、报告与持续探讨的方法学问题

解读结果时,首先要问的是证据合成所估计的究竟是什么量。符合纳入条件的随机试验所得的合并相对效应,并不自动等同于当前人群中的绝对效应。观察性研究得到的平均关联,也不自动具有因果意义。因果推断取决于研究设计,以及有关治疗分配、混杂、测量和选择的假设;元分析可以梳理与这些问题有关的证据,却无法绕过这些问题。同样,外部效度取决于纳入的参与者、干预措施和研究情境是否足以支持将结果应用于其他情境。

统计显著性只是结果解读的一个方面。某个区间即使包含无效应值,也可能同时包含大到具有实际意义的效应;而一个估计非常精确的非零效应,在实质上却可能很小。相对尺度和绝对尺度可以揭示结果的不同方面。将相对效应转换为绝对差异,需要采用适用的基线风险,并对相对效应如何从一种情境迁移到另一种情境作出假设。异质性还意味着,平均效应估计的精确程度与实践中预期出现的效应变异程度并不是一回事。

森林图展示各项研究的效应估计及其不确定性区间,通常还会展示合并估计。研究标记的大小往往反映该研究的统计权重,而菱形则表示合并估计的区间。这类图有助于发现效应方向相互矛盾的情况、估计不精确的研究,以及大型研究的影响,但无法展示所有偏倚来源。描述研究设计、人群、结局和偏倚风险判断的表格,则能提供数值图形无法承载的信息。

报告规范使分析决策可供审查。PRISMA声明于2009年首次发表,后更新为PRISMA 2020,规定了系统综述的报告条目,也适用于包含元分析的系统综述。其流程图区分了检索到的记录、获取的报告以及纳入的研究。透明的报告还应交代效应量指标、模型设定、方差估计方法、依赖关系的处理方式、被排除的数据、偏离研究方案的情况,以及预先计划的分析与探索性分析之间的区别。PRISMA是一项报告指南,并不证明分析在方法学上可靠。

证据确定性评估框架,包括医疗卫生领域的GRADE,考察的不只是合并估计区间的宽度。相关考量包括偏倚风险、不一致性、间接性、不精确性和证据缺失。在遵守数据治理限制的前提下,共享提取的数据集和分析代码,有助于核查数值结果并开展后续更新。R、Stata、SAS以及专用综述软件中的实现支持许多成熟的方法,但各软件的默认设置有所不同,尤其是在异质性估计和小样本推断方面。

持续开展的方法学研究致力于解决以下情形中的可靠推断问题:研究数量少、事件稀少、效应分布非正态、证据的选择性可得,以及复杂的依赖关系。动态系统综述不断纳入新近可用的证据,由此又带来重复分析、版本控制和纳入资格标准变化等问题。自动化筛选与数据提取系统可以加快部分工作流程,但研究识别、结局解读或重复识别中的错误,可能直接传递至合并结果。可复核的决策记录和明确的模型假设,仍是评价这些不断发展的方法的关键。