循证医学的黄金标准是RCT，而RCT的黄金输出是ATE——平均治疗效应。但如果你认真读过任何一篇高质量的系统综述，你会发现一个尴尬的事实：当异质性（heterogeneity）存在时，ATE几乎必然误导决策。

举一个教科书级的例子：假设某种降压药，对60%的人群降低收缩压10mmHg（获益），对40%的人群升高收缩压5mmHg（有害）。ATE = 0.6×(-10) + 0.4×(+5) = -4mmHg，看起来「有效」。但如果你给一个属于那40%的患者开这个药，你是在伤害他。

这不是思想实验。Cochrane综述中大量干预的I²（异质性指标）超过75%。当I²高时，合并的效应量（pooled effect）在统计上是精确的，在临床上却是无意义的——它描述的是一个不存在的「平均患者」。

为什么这个现象被系统性地忽视？因为审稿人、期刊和指南制定者都被训练成「看那个合并的森林图」。森林图上那颗菱形（diamond）太有说服力了。但菱形掩盖了散点——而散点才是真实的临床图景。

从因果推断的视角看，这个问题更深刻：ATE是「在人群上的边缘期望」，而临床决策需要的是「在个体上的条件期望」E[Y(a)|X=x]。当X与治疗效应交互时，这两个量可以相差甚远。这正是「个体化治疗」运动（precision medicine）的统计学根基——不是「精准」的浪漫，而是ATE的失效。

一个值得辩论的问题：如果ATE在异质性存在时是「正确但无用」的，那么系统综述的黄金标准是否应该在报告合并效应之前，先强制进行异质性来源的预注册假设检验？ 换句话说，我们是否应该把「报告I²」从「事后诊断」升级为「事前门槛」？