一图读懂：meta分析异质性

高质量meta分析，堪称证据金字塔的最高层，可是大家可知高质量的meta分析谈何容易。里面的异质性更是纷繁复杂，为了帮助新手能够快速了解异质性，今天我们做了两张图来帮助大家弄懂meta分析的异质性。当然，我们这里不可能面面俱到，但是希望能够帮助到大家。meta分析必须考虑到异质性，并且对异质性进行探索和分析，了解导致异质性的原因，同时尽量选择无异质性，同质性高的研究进行合并。现在发表的meta分析大多数是有异质性的，大家不妨回顾性一下自己相关领域的meta分析，不难发现，大多数是有异质性的。尤其是诊断学研究，几乎所有的均有异质性。所以到目前为止Cochrane图书馆并没有确定诊断学meta分析进行合并，而是结果的呈现。 

我们所讲的异质性，包括了临床异质性，方法学异质性以及统计学异质性。临床异质性正如下图1所示，主要从纳入排除标准层面进行判断。而纳入排除标准，最重要的就是我们一直在讲的PICO，每个研究的PICO不同，或者存在较大差异，往往提示存在临床异质性，这个时候进行数据合并，准确性就有待考究了。所以如果临床异质性很大，往往我们就不进行合并了。方法学异质性，也比较简单就是研究我们是怎么开展的。例如我们做的是基于RCT研究的meta分析。

如果纳入研究开展的RCT方法都不同。例如有些研究用盲法，有些使用的开放设计。这样的话就存在方法学异质性。再如，基于队列研究的META分析，有些是前瞻性设计，有些可能是回顾性的设计，这时也提示存在方法学异质性。所以对于方法学异质性，不像临床异质性那么绝对。还是可以进行数据合并的，不过需要在讨论里面进行阐述。 

最后就是统计学异质性。这个是一个很玄乎的概念。以前我们经常说临床异质性和方法学异质性可以导致统计学异质性。而如果没有明显临床异质性和统计学异质性，仍然可能存在统计学异质性。统计学异质性其实就是统计软件计算出来的异质性。是基于一定的方法计算出来了。所以我们在合并数据时候，选择随机还是固定效应模型就是这个。其中很重要的就是I方。所有的META分析都有进行统计学异质性的检测。 

那么对于存在异质性，我们怎么办呢？说实话，存在异质性往往是Meta分析中经常碰到的问题。也是作者头疼的一件事。因为异质性的存在往往影响文章的发表。不过对于存在异质性的时候，我们通常也有一些手段进行处理：

寻找导致异质性的原因。导致异质性的原因往往是困难的。可以从之前讲过的临床异质性，方法学异质性角度进行寻找。如果能够明显找到可能是导致异质性的原因，则可以在此基础上进行，亚组分析，或者敏感性分析。

如果，你无法从上数的临床和方法学角度找到异质性。则可以进行meta回归，进行异质性的探索。并在发现的具有统计学意义的变量基础上进行亚组分析。

使用随机效应模型进行合并。不过结果的解释需要极为谨慎。并在讨论中充分表述这是文章的局限性。

不做定量的meta分析，仅做系统评价。