I² 高不是『研究不一致』(续):先问 estimand,再问 pooled
换句话说,先做【设计分层】,再做【异质性检验】。【流程节点链路】起点:把研究按【识别策略】分层(RCT、回归不连续、工具变量、观察性调整) → 中间:分别估计每层的【pooled effect】并报告【I²】 → 终点:比较层间差异,判断差异来自【识别强度】还是真实效应差异。若 RCT 层接近 null,而观察性层显著,优先怀疑观察性层未测混杂,而不是『补充剂有效但 RCT 做错了』。 【显式】Cochrane 手册把【design】列为常见偏倚来源;Stang(2005)提醒,跨设计混合会放大『设计偏倚』,使小样本观察性研究稀释或扭曲 RCT 信号。 【隐式】【meta-regression】可以加设计变量,但它不是因果识别:它只能描述『设计类别与效应量』相关,不能证明『观察性研究因某混杂而偏』。要证明,需要【敏感性分析】:把观察性研究剔除后,结论是否改变;或用【E-value】估计未测混杂需要多强才能解释观察到的效应。 【细微】很多论文报告【pooled 95% CI】时,把【设计间差异】藏进【随机效应模型】。读者看到『总体 RR=0.92,95% CI 0.86–0.98』,会以为证据一致;但若拆开,RCT RR=0.99(0.96–1.02),观察性 RR=0.81(0.74–0.88),同一个 CI 同时包含『无效果』与『强保护』,这是【估计对象混叠】。 【极难发现】最坏情况不是【I² 高】,而是【I² 低且 pooled 显著】:所有研究都用了同一种脆弱设计,估计的是同一个偏误量。此时【pooled effect】越『精确』,越可能把系统性偏误包装成可操作结论。 因此,元分析结论应写成条件句:【在 RCT 识别策略下,效应为 X】;【在观察性识别策略下,效应为 Y】;【跨设计 pooled 的 Z 只是策略混合量,不可直接用于决策】。 留一个值得辩论的问题:如果 RCT 与观察性研究长期不一致,我们该把 RCT 当作『金标准』,还是把不一致本身当作『真实世界干预与试验条件不同』的信号?







0 評論