你是否懂得如何辩证的阅读一篇meta分析SCI
“学而不思则罔，思而不学则殆”，相信大家都学过这句话，可是，有多少人真正做到了？
很多人在学习meta分析的时候都只懂得“模仿”，文献怎么做，自己就怎么做。然而，文献一定是对的吗？
也有很多人认为meta分析很简单，其实哪怕是成功发表了SCI的人，也不一定真正明白meta分析是什么，也不知道自己的操作是不严谨、甚至是错误的！
因为他们只做到了“学”，从来没有“思”。
今天，我们通过一篇之前分享过的meta分析SCI，给大家介绍如何辩证的阅读文献。也希望大家能够正视meta分析，明白meta分析没有想象中那么简单。
这篇文献不细看的话，是一篇中规中矩的meta分析：结构式摘要、前言-方法-结果-讨论，图表也完整。可是，仔细阅读就会发现各式各样的问题和错误。
问题1
错误的森林图，HR值的合并一定要先做对数转换
这不是我第一次在SCI上看到这样的森林图，相信也不会是最后一次，大家一定要注意：这个森林图是错的！HR值的合并必须先做对数转换，然后再进行合并，得到森林图。
既然是辩证思考，那么验证就是最好的方法。我们将文献的数据进行整理，然后重新做森林图。
首先是HR值不做对数转换，用Stata软件直接对数据进行合并的森林图。运行的命令是：metan hr hrlci hruci, label(namevar=study, yearvar=year) fixed effect(HR)
合并结果与文献一致，HR (95%CI) = 1.64 (1.34, 1.93)。同时，我们发现，异质性检验结果、权重与范文有一些细微的差异。这应该是小数点位数不同导致的（猜测是纳入文献报道的HR值保留了3位小数，但由于软件只显示2位小数。根据范文的森林图，我只能提取到2位小数的数据，又是辩证思考的例子）。
言归正传，这个结果是错误的，从森林图可以看到端倪，以0作为无效线，这对于HR值（RR值、OR值同理）是不可能的，因为HR值是比值，无效假设肯定是1。另外，再看看Stata的结果输出窗口（下图），无效假设也是0，这显然有误。
正确的操作应该是先做对数转换，然后做森林图
gen logHR=log(hr)
gen logHRlci=log(hrlci)
gen logHRuci=log(hruci)
metan logHR logHRlci logHRuci, label(namevar=study, yearvar=year) effect(HR) eform random (eform代表做反自然对数转换，森林图显示原始的HR值形式)
从上面的森林图可以看到，虽然合并结果同样是有统计学意义，但HR值更大，95%CI更宽，异质性也更大。
可是，两个方法都能得到森林图，如果我不知道HR值是以1作为无效假设的，怎么验证这个森林图才是正确的呢？当然是重复了！不仅是同一个软件重复，还可以换一个软件来验证。
由于R软件的操作难度比较大，建议大家用RevMan软件来做重复实验。如下图所示，结果与哪个更为一致？很显然，范文的森林图是错误的！
从RevMan的森林图可以看到，HR值进行meta分析，需要用到的变量是logHR以及selogHR，不能用原始的HR (95%CI)进行合并（RR值、OR值同理）。当然，RevMan做HR值的合并，也有不足之处。RevMan默认数据符合这样的规律：
logHRuci = logHR+1.96selogHR,
logHRlci = logHR-1.96selogHR，
但在多因素的回归分析中，经过多因素校正后，文献报道的HR值和95%CI不一定符合这个规律，如上图中Bacha, S 2017和Tomita, M 2018。
问题2
另类的质量评价工具
这篇meta分析研究的是晚期肺癌炎症指数对肺癌患者的预后价值（Prognostic Value of the Advanced Lung Cancer Inflammation Index in Patients with Lung Cancer: A Meta-Analysis），纳入的是回顾性队列研究，常规的质量评价工具应该是NOS量表，而这篇文献用的是一个我之前没接触过的工具（9个评价项目，汇总纳入文献中每个项目是否有报道的比例，如下图所示）。
根据文献的描述，并没有明确说明使用的是什么量表，但引用了一篇文献，于是我检索了这篇文献。
然而，这篇文献同样引用了其他文献的方法进行研究质量评价，但更详细地描述了评价项目。
OK，继续追溯，检索Perisanidis et al, 2015的这篇文献。终于知道了这个评价工具的名称：STROBE。但是，STROBE我是知道的，它是观察性研究的撰写规范，用它进行方法学质量评价，合适吗？
STROBE声明一共有22个条目，是对应文章写作框架的，利用其中一些条目来进行质量评价，可以理解和接受，但引用多少条，为什么引用这些，文献并没有说清楚。这些问题也值得我们思考。
然而，经过层层引用之后，质量评价结果竟然只剩下了这么一句话。这根本就不是打分制的量表啊！
问题3
亚组分析的依据是什么
既然到这了，继续看看文献的其他内容吧，亚组分析结果也引起了我的注意。
很多人是为了做亚组分析而做亚组分析，或者是为了“分析”异质性来源而做亚组分析，这样导致的现象就是只要这个变量可以分组，那就用它来做亚组分析，哪怕不知道为什么要这么分组，甚至没想过为什么要这么分组。
亚组分析必须在做数据收集前就设定好分组因素，以及注明分组依据，像病理类型、临床分期、治疗方式、随访时间等变量，与死亡风险（OS、PFS）有着较为明确关联的变量，有充分的理由做亚组分析，而且分组的标准也较为明确。可是，有些变量是缺乏合理依据的。
就像这篇文献，其中一个分组变量是Cut-off value，也就是各纳入文献ALI（advanced lung cancer inflammation index）的分组标准，每篇文献都有1个Cut-off value，以其中一个为二次分组阈值，当然可以将文献分为2组。但是，为什么是24.23？没有一篇文献是以24.23为分组阈值的。
仔细观察一下，会不会是用了Cut-off value的均值呢？报道OS的7篇文献，Mean of cut-off = (28+19.5+31.1+23.2+22.2+18+37.66) ≈ 24.237，稍微比24.23大一些，但我猜测作者应该就是这么选择的。
可是，这个依据并不充分。正如有的meta分析文献，以发表年份、样本量为分组变量，如≤2000年 vs. >2000年；≤100 人vs. >100人。2000年以后的文献跟之前的有什么区别吗？用了不同的结果检测方法，疾病诊断标准？100人以上就是大样本研究吗，99跟101人有显著的不同？
问题4
这篇meta分析竟然完全没有讨论异质性！
从原文的森林图和亚组分析的表格可以得知，这篇meta分析的纳入文献没有显著的统计学异质性（在错误的分析操作的基础上），于是作者就没有花任何的笔墨讨论异质性对结果的影响。
有人可能觉得奇怪，既然没有异质性，为什么还要讨论？因为除了统计学异质性，meta分析还有临床异质性和方法学异质性。
统计学异质性在一定程度上反映方法学、临床异质性的大小，但是，没有统计学异质性不代表也没有方法学、临床异质性。事实上，对于meta分析的纳入研究，异质性的本质是方法学、临床信息的差异，而统计学异质性只是将它们通过定量分析的方法，以P值、I2等参数展示大小。
可是，由于统计分析方法的局限性，不同来源的异质性存在相互“抵消”的可能性，因此，方法学、临床异质性大的时候，也会出现统计学异质性不显著的情况，这时候也要讨论前者对meta分析结果的影响。
