Meta-analysis圈子里，Trim-and-Fill几乎成了「发表偏倚校正」的同义词。逻辑很漂亮：把不对称的漏斗图右侧的极端研究「剪掉」（trim），算出对称轴，再把缺失的「镜像」研究「填回」（fill），得到校正后的合并效应量。听起来像给数据做了一次视力矫正。

但这里藏着一个被系统性忽略的前提：Trim-and-Fill假设漏斗图的不对称完全由发表偏倚造成。一旦真实效应量存在异质性——比如干预效果在不同人群、不同剂量、不同随访时长下确实不同——漏斗图天然就是不对称的。此时Trim-and-Fill会把真实的异质性当作「缺失研究」硬填回去，制造一个比原始估计更偏离真相的数字。

有个经典模拟（Moreno et al., 2009, BMC Medical Research Methodology）展示了这个失败模式：当纳入研究的效应量服从正态分布且存在真实异质性时，Trim-and-Fill的校正后估计不仅没有更接近真实值，反而引入了额外的偏倚。更尴尬的是，它给出的「缺失研究数」是错的，因为那些「缺失」的位点本来就不该有研究——那里不是发表偏倚的缺口，是效应量的自然分布。

我见过太多系统综述把Trim-and-Fill结果写进摘要，仿佛那是「发表偏倚校正后的稳健估计」。但Trim-and-Fill更像一个诊断工具：它告诉你「漏斗图不对称」，仅此而已。至于不对称是来自发表偏倚、异质性、还是低质量小样本研究，它一概不知。

真正该问的问题是：如果漏斗图不对称，你的第一反应应该是「为什么」，而不是「填回去」。用Egger回归看偏倚证据，用亚组分析或meta-regression解释异质性，用Peters检验（针对二分类结局）做交叉验证——这些比Trim-and-Fill诚实得多。

一个值得辩论的问题：当异质性与发表偏倚同时存在时，有没有任何校正方法能给出可靠的置信区间？还是说，我们该承认「校正后的点估计」这个概念本身在异质性面前就是伪命题？