[其他医学论文]荟萃分析（meta

《[其他医学论文]荟萃分析（meta》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、[其他医学论文]荟萃分析（Meta;回顾历史独立的研究的合并分析并非最近才有的。统计学家karlpearson在1904年关于预防伤寒免疫血清的预防效果的报告，可能是运用正式的技术对合并不同样本的数据进行分析的首次报道。而pearson提出的原理仍然是现在的荟萃分析的主要的理由之一：“若考虑其中可能存在的错误，许多观察组……样本过小，难以产生任何明确意见。”第一个荟萃分析估计一种治疗措施的有效性，发表于1955年。有趣的是，这种治疗为一种安慰剂。对各种差异非常大的条件如术后伤口痛、咳嗽和心绞痛等应用安慰剂的有效性的平均值进行了计算，安慰剂对35%的病人有显著效果

2、。然而，在十九世纪七十年代在社会科学，尤其在教育研究工作中发展了更成熟的统计学技术。荟萃分析这一术语由心理学家glass在1976年杜撰。荟萃分析被心血管病、肿瘤学、围产期保健领域中的医学研究者重新发现并用于随机化临床试验研究分析。人们也倡导对观测研究的荟萃分析及“交叉设计合成”（crossdesignsynthesis）（观测研究数据与随机化临床试验的荟萃分析结果的整合）。后来，一个由临床医师、流行病学家和其他卫生专业人员组成的络建立。cochrane合作组（以医学干预评价领域的先驱archiecochrane的名字命名）的宗旨是准备、维护和发布医疗保健疗效的

3、综合性系统的回顾。自从1992年cochrane中心在牛津建立以来，这种研究便迅速发展起来，在欧洲、北美洲和拉丁美洲、非洲和澳洲建立了15个中心以，又有数以百计的遍布世界各地的个人参与合作。不受欢迎的统计病态面孔？尽管荟萃分析被广泛应用，但它一直是一项引起争议的技术。一些拥护者认为“一旦有可能荟萃分析就应取代传统的单主题的回顾性文章”，其他的人则把它看作是一个“新的祸根”，为一种“不受欢迎的统计病态面孔”和“应该把它扼杀在摇篮里”。这种接受性的巨大反差并不奇怪。从临床的角度来看，合并一组具体研究的结果也许并不适合，因为它生成一个群体“平均”治疗效果，而临床医师想

4、要了解怎样才能最佳医治他或她的具体病人。对同一问题的荟萃分析可以得出截然相反的结论，如对低分子量肝素防止手术前后血栓形成的评估。及对二线抗风湿病药物治疗风湿性关节炎的评估。但事情很明显，为了从先前的研究中获得最大的收获，正确的文献回顾策略应越来越普及及予以高度重视。叙述性综述传统的叙述性综述有其不足之处,而荟萃分析似可克服这些缺陷。典型的综述是主观的，因此它易引起偏差和误差。因为没有正规的规则作指导，评论家们可能对一些基本问题产生分歧,如应该包括何种类型的研究,应该如何平衡所获得的定量证据。选择支持观点的内容非常普遍：临床实验被引用的频率与他们所得出的结果有关，

5、与流行观点相一致的研究比观点不一致的研究被引用得更频繁。一旦收集好一组研究，传统的对研究结果综述的方法是计算从各方面支持该一论点的研究的数目，并选择得到最多认同的观点。这个步骤无疑是有缺陷的，因为它忽视了样本大小、作用大小和研究设计。因此难怪应用传统的方法的分析家们常常得出截然相反的结论，并且往往忽略了微小的,但可能有重要意义的差别。临床医学饱受相反结论之苦，而评论家似乎应有责任去平息这些争论。然而，在争论中，从同一证据实体得出的相反的结论可能与评论家的专业有关而不是数据本身。通过整合实际证据，荟萃分在被检查的总数为136个的115个试验中析可以有更客观的评价，

6、因此当遇到原始研究、传统的综述和编辑意见相左时,荟萃分析可能帮助解决不确定性。单个研究的局限性单个研究常常既不能发现也不能排除两种疗法较小的但与临床有关的的差异。一个试验可能显示无显著疗效，然而事实上疗效确实存在,因而可能产生假阴性结果。这是一种ii型误差，对某一治疗效果、样本大小和显著意义水平的差异,这种误差的出现的概率可能被计算出。通常i型误差较好识别——当一个试验随机产生显著差异时，这种误差的概率反映在p值。一个对报道在试验组和对照组之间治疗无显著差异的临床试验的调查显示，在临床研究中出现ii型误差相当普遍:对一个临床疗效的差异,在被检查的总数为136个的

7、115个试验中遗漏这一作用的先验概率（在某一样本大小）超过20%。临床试验中所包含的病人数常常不够充分，这种情况在新近的几年中几乎没有改变。在某些情况下，那些必须的样本大小仍然很难达到。例如有一种药物，它能使心肌梗塞的致死风险减少10%，而仅在英国每年就可以延长成千上万病人的生命。要想测出这种药物效应并具有90%的确定性（要求ii型误差不得超过10%），那么一个治疗组就需1万多个病人。为取代如此巨大而昂、逻辑解释又较困难的研究，荟萃分析看来是一个非常吸引人的选择。可利用几个较小的但具有可比性的评估相同的或类似的药物试验的数据。通过这种方法容易获得所需病人的数量，

8、并可以按可信度发现或排除