敏感性分析，不是探讨Meta分析异质性来源的好办法！

敏感性分析也可以理解为稳健性分析，是主要用来评估meta分析合并结果的稳健性和可靠性的重要方法。

评估结果的稳定性

逐一剔除每一个纳入的研究后再进行效应量合并（逐一剔除法），改变纳入排除标准或剔除某类文献后再进行效应量合并（分类剔除法），都是常用的敏感性分析方法。

逐一剔除法

如下图所示，原meta分析结果是有统计学意义的，OR (95%CI) = 1.19 (1.01, 1.41)，95%CI不包括1，差异显著。然而，大部分文献被剔除后，剩余研究的合并结果都变成没有统计学意义（95%CI包括1），说明原meta分析结果很容易因研究数量的变化而发生显著改变，缺乏稳健性。

分类剔除法
假设纳入研究根据质量评价结果可分为高质量研究和低质量研究，分类剔除法的操作可以是：排除低质量研究，重新进行meta分析，将新的合并结果与未排除前的合并结果进行对比。

若二者未发生大的变化，则说明敏感性低，此meta分析的结果稳健可信。

相反，若排除后的合并结果与原合并结果相差较大甚至得到相反的结论，则说明敏感性高，此meta分析的结果稳健性较低，在解释结果和下结论的时候应该非常慎重，需进一步明确偏倚因素的来源。

总的来说，敏感性分析不仅可以评估meta分析合并结果的稳定性和可靠性，还可以评估合并结果是否受单个研究的影响，而发生显著的变化。此外，在排除某些研究或者资料后再进行meta分析，还可评估该部分研究对结果的影响。

对敏感性分析的误解
有的人是因为探讨异质性来源才做的敏感性分析，这是对敏感性分析的误解。虽然有时候敏感性分析也可以展示异质性结果，但它的最大出发点依然是评估结果的稳定性。

例如，通过逐一剔除法，发现剔除某篇（某些）文献后，异质性变得不显著，就认为它（们）是异质性来源，这也是不严谨的。

这个结果只是说明该文献带来了异质性，但并没有找到更深层次的异质性来源，也就是具体的影响因素。

通过敏感性分析探讨异质性来源，是没有办法中的办法，不建议成为首选。只有在亚组分析、meta回归不适用或找不到异质性影响因素的前提下，才考虑用它来排查异质性“来源”。

事实上，从操作来讲，使用加尔布雷斯图(星状图)，比这样的敏感性分析更方便且有说服力。