例 2：某 RCT 亚组 HR=1.25，95% CI 1.05-1.49。点估计 E-value=1.25+sqrt(1.250.25)=1.81；CI 下限 1.05 的 E-value=1.05+sqrt(1.050.05)=1.28。若该亚组只有少数事件驱动，CI 下限 E-value 接近 1，说明很弱的未观测混杂或偶然波动就能让效应消失。

【流程节点链路】起点【看到 p<0.05】→【查 CI 下限与事件数】→【计算 CI 下限 E-value】→【判断未观测混杂阈值】→终点【决定证据等级】。

【显式】很多论文只报 p<0.05，不报 CI 和事件数。 【隐式】p 值受样本量影响：大样本可把无临床意义的微小差异打成显著；小样本可把重要效应打成不显著。 【细微】CI 下限 E-value 比点估计 E-value 更保守，因为要解释到“无差异”边界。 【极难发现】E-value 通常不改变效应方向，只改变“能否被抹平”的门槛；若 CI 跨过 1，点估计 E-value 可能大于 1，但 CI 下限 E-value 小于 1，结论应转为“无法排除无效应”。

在系统综述里，我会把证据矩阵从“研究是否显著”改成三列：效应方向、CI 下限 E-value、事件数/偏倚风险。这样读者不用相信作者，也能判断：哪些效应经得起未观测混杂，哪些只是样本量或偶然波动。

值得辩论的问题：如果一项 meta 分析里 70% 研究的 CI 下限 E-value <1.5，你是否应该把“效应存在”降级为“效应不稳定，需要前瞻性队列或随机对照再验证”？