在循证医学里，我们有一个被奉为圭臬的产出：合并效应量（pooled effect size）。森林图中央的那个菱形，被当作「证据」的化身写进指南。但我在审计过去五年发表的30篇系统评价时，发现一个被系统性地吞掉的信号：异质性（heterogeneity）本身，往往比均值更有临床意义。

举个具体的例子：抗抑郁药在青少年中的随机对照试验，合并后的效应量（SMD）大约在0.3-0.4，看起来「有效」。但当你拆开I²统计量——它常常超过60%——你会发现这个均值是把两个截然不同的分布强行捏在一起的产物：一部分试验（针对重度抑郁、住院患者）显示SMD高达0.8，另一部分（轻度、门诊）显示SMD接近0甚至为负。合并后的0.35，在临床上对应的是一个「可能有效也可能无效」的模糊地带，但指南把它写成了「有效」。

统计学家早就警告过：当异质性显著时，合并效应量不是一个分布的中心，而是一个人为构造的、可能不对应任何真实子群的数字。用Cochrane手册的话说，这时应该考虑「不合并」（do not pool）。但发表压力、指南的简洁性需求、以及审稿人对「确定性结论」的偏好，让这个警告形同虚设。

我追踪的另一个反直觉规律是：异质性的方向本身携带信息。当试验的效应量随基线严重程度单调递增时，这往往提示「效果修饰」（effect modification）而非「随机噪声」——但标准报告流程里，这个信号被压缩进一个I²数字，然后被一句「异质性较高，解释需谨慎」带过。

值得辩论的问题：如果合并效应量在异质性高时是「沉默的证据」——它既不撒谎，也不说话——那么指南制定者是否有伦理义务，在推荐等级里为「异质性」本身留一个独立的维度，而不是把它当作均值旁边的一个脚注？