零基础meta分析上路（四）：质量评价

因为纳入的10篇研究有好有坏，良莠不齐，我们不能一股脑的对其进行简单粗爆的合并。

而是需要明确你手里的文章到底是否设计合理，数据是否全面，质量是否过关，至少做到你自己心中有个数，有个秤去评断你合并结果的稳健性与否。

Meta分析有句名言：

garbage in, garbage out 

垃圾进来垃圾又出去了

额~~~~~是这样翻对吗？我的英语还是很屌的！！

就是说高质量的文章合并所得出的结果，也一般是高可信度的。如果再有一定的临床意义，就有信心往高分的杂志进行试投。如果纳进来的文章质量很失水准，有失偏颇，合并的结果连自 己都很难说服，更别提是否具有推广价值，借我几个胆也不敢把这篇研究往高质量Journal上投了，这是一个很现实的问题。

所以我一直认为从事中医药领域循证医学的同仁么，可能在发文方面不愁，但由于纳入研究质量不过硬，所以文章所发的高度也很受限制，难以突破瓶颈。

但对我们这些小喽啰来说，能发就OK了，还挑肥捡瘦，绝对不挑不挑不挑。

那说到质量评价，就少不了评价工具和评价标准 。

市面上对于临床干预RCT的评价方法不一而足琳琅满目百花齐放百家争鸣，看的我目瞪口呆手足无措晕头转向。

秀一了下成语功底，露才了会不会被追杀

因为不同的研究机构，不同的专家都会提出自己认为很有效的评价标准，就像做生意一样。我们该挑那件来买单，还得看销售记录啊。我个人一般推荐两种方法（其实也只用过这二种）。

Cochrane手册的评价标准

手册以“是”，“否”和”不清楚”三种做为评价结果，我个人选择给分制，每点低分险时给1分，总分6分为最高（分险最低，质量最好），低次类推。

现简单介绍下Cochrane手册的评价要点（只说明何时给1分）。

A

Sequence generation

 序列产生

使用随机数字表，计算机随机，抛硬币，洗扑克或信封，抽签，掷骰子时给1分。

B

 Allocation concealment

分配隐藏

中心化分配，同一外观、连续编号的药物容器，不透明的信封给药（文章有说的那么清楚才怪类）

C

Blinding 

盲法

有采用盲法给1分（终于说了句能让人听的懂的人话）

D

 Incomplete outcome data 

不完全结局资料

没有丢失结局数据，采用意向性分析给1分（什么是意向性分析，算了不说了字太多你自己去园子查吧）

E

 No selective outcome reporting 

选择性结局报告

无选择性结局报告给1分（鬼知道他们有没选择性报告啊，又不会在文章里说“各位亲，我选择性的挑了点汇报哦”）。所以这时候有个protocol就很能帮助我们判断了。

F

Other sources of bias 

其他偏倚来源

研究表现出没有其他偏倚来源给1分，是表现出哦。这点挺让我吐槽的，所以这点我都给的很看心情。

我个人认为评价质量挺主观的，很多信息文章里都没有明确说明，但如果都给个“不清楚”也挺残忍的

所以有时我会根据文章它整体的设计，以及它发的分值来适当的行使下我的权利。高分杂志的文章（很高的那种）有时我会倾向于给高分，低分的文章（除了很高的那种）我会倾向于给低分。这样是否会让结果更加保守呢，还是小心点的好。

本想说的另一个评价工具是Jadad量表，这是我第一次做meta分析时用的工具，但后来发现都没人用，被人遗弃了那我也就不用了（补了一刀）。

但人总是有第一次情结，所以今天我也提它一下，聊表怀念。但它的具体评分我就不说了（其实与上面一个也差不多），因为说多了也没用，现在杂志不是很认可这个方法。

我就把Jadad评分量表以附件形式上传，有兴趣的站友自己下了看。

其实，评价工具很多，但你不需要全部了解，只要一个牛B点的就OK了，如果你很好学，立志在Risk of bias这个领域打出一片天地，那我不拦你，去多多学习吧。