正确对待meta分析的异质性，而不是“消除”异质性

在周三（2023年3月22日）的第三期meta分析问题交流会上，我们重点讨论了meta分析的异质性，包括如何对待异质性、探讨异质性来源。

由于有不少小伙伴还是纠结异质性的大小和解释，今晚我们将学习Cochrane系统综述手册关于异质性处理的方法。期待你的参与和讨论！

首先，meta分析存在异质性是必然的，哪怕没有统计学异质性，也有方法学和临床异质性。纳入标准的严格与否，决定了meta分析异质性的程度大小。

每一条纳入标准都具有唯一性，纳入研究的所有信息都完全一样，研究的异质性就没有了，但这种情况只存在于理论。

因此，meta分析的异质性不可怕，我们要做的是正视它、分析它、解释它，异质性对文章是否能发表，并不是最决定性的。

对于有异质性的meta分析结果（如下图所示），我们先通过随机效应模型进行合并，得到比固定效应模型更为客观的结果。

随后，可以采取亚组分析或meta回归的方法，分析异质性的显著影响因素。

下图以随访时间分组，两个亚组的组内异质性都变成不显著（P > 0.05, I2 < 50%），说明随访时间是其中一个（不排除还有其他因素）异质性影响因素。

然而，很多时候，亚组分析或meta回归不一定能找到异质性影响因素。此时，有的人会通过敏感性分析排查异质性“来源”。这种操作的作用和局限性，详见下文的介绍，此处不赘述。简而言之，建议尽可能不要用。

敏感性分析，不是探讨Meta分析异质性来源的好办法！

至于连续型变量是用终点（也就是干预后、后测数据）还是干预前后差值做meta分析，我们给大家分享了三个例子，以说明两者的应用条件。

1 用差值

任意一篇纳入研究的基线（也就是干预前、前测数据）存在组间差异时，建议用干预前后差值做meta分析。

差值的合并

2 终点的合并

相对应的，所有纳入研究的基线无组间差异（每篇文献的试验组与对照组比较，而不是研究间比较），直接用终点做森林图。

终点合并

还有的文献将两种数据放在一起做森林图，这是不推荐的，因为两者的结果解释不一样，得到的结果不好解释。

差值、终点一块合并

交流会最后一个内容是：多个分组的提取数据。

对于有多个试验组或多个对照组的情况，如2个对照组，可以选择将两组合并，或将试验组的样本量拆分，然后分别提取试验组 vs. 对照组1，试验组 vs. 对照组2的数据。

欢迎关注尔云间meta分析微信公众号、视频号，观看直播回放视频。

今天的分享就到这了，meta分析学习过程，我们会碰到各式各样的问题，如果你想更快、更高效地掌握meta分析，早日发表SCI，请不要错过尔云间的meta分析培训班！