Meta分析是对具备特定条件的、同课题的诸多研究结果进行综合的一类统计方法。一般分为几个步骤：①数据的提取②数据的综合分析③Revman软件（数据的导入）④森林图⑤亚组分析⑥敏感性分析。
Meta分析思路
Meta分析的思路是这样的，就好比，有两篇研究主题、研究对象和研究方法基本一致的文献（该例子为随机对照研究）：
[1]刘宏杰,石红梅,邢丽丽,彭晓霞.同伴支持模式对2型糖尿病患者自我效能、自我管理及血糖控制的远期影响研究[J].中国全科医学,2018,21(07):861-866.
[2]宋爱华,韩玉琴,夏引芳,葛文贤,李春燕,顾柳娜.同伴支持对农村2型糖尿病患者胰岛素注射管理的效果[J].上海护理,2017,17(03):41-45.
当我们看第一篇文献的时候，我们知道这是刘宏杰学者在其当地的一个随机对照研究；而第二篇文献是宋爱华学者在其当地的一个研究，但是比较来看，两个人的研究都是在做“同伴支持对糖尿病患者自我管理能力”的主题，那么，我们是不是可以考虑，将这两篇文献汇总（包括样本量汇总和研究指标汇总），这样的好处是增大了样本量，或者是联合了多个中心的数据，这样最后得出的结果是不是更能说明问题？（优点是通过增大样本含量来增加结论的可信度，解决研究结果的不一致性。）
那么，怎么文献汇总呢？就像上面提到的，文献汇总包括样本量汇总和研究指标汇总，样本量汇总应该比较好理解，就是提取出每个研究的样本量，然后相加即可。至于研究指标汇总？这个地方就需要注意了：
我们都知道在做每个研究的时候，比如刘宏杰学者的“同伴支持模式对2型糖尿病患者自我效能、自我管理及血糖控制的远期影响研究”，指标肯定是自我效能、自我管理及血糖值三个指标，每个指标都是连续性变量，或者简单来说都是数值型的数据，它们在文章中的呈现形式就是：均数±标准差，那我们能够得到的数据就只有三个：样本量、均数、标准差，很明显均数和标准差不能一概而论的相加减，那这样也就太没有水平了，那应该怎么处理呢？这个时候就提出了一个新的名字，就是来反映文献汇总整合之后的效果的指标，针对连续性变量（数值型的数据），有①均数差（mean difference,MD）和②标准化均数差（standardized mean difference,SMD）
均数差
均数差（MD）是指：试验组均数与对照组均数的差值。即：MD是均数的差。（每个随机对照研究分为试验组和对照组），既然均数差MD是指均数的差，那么MD就只有三种情况：
①MD=0，试验组与对照组无差异；
②MD＜0，试验组发生（得分）的少，（我试验组的均数少或小，自然我去减对照组的数据就是小于0了）；
③MD＞0，试验组发生（得分）的多。
标准化均数差
标准化均数差（SMD）是试验组均值与对照组均值的差值除以平均标准差，消除“单位”的影响，使不同量纲的均值差可以被合并。即：SMD是去除单位的均值的差。（均数差和标准化均数差可以像方差和标准差那样理解）
①SMD=0，试验组与对照组无差异；
②SMD＜0，试验组发生（得分）的少；
③SMD＞0，试验组发生（得分）的多。
总结一下上面，其实就是我可以把每个研究（文献）中的数据提出来，然后把原始的数据（均值±标准差，样本量），重新去计算均数差（MD）和标准化均数差（SMD），用MD和SMD作为效应量去评估文献合并后的结果。
上面的知识理清楚之后，就是Meta分析软件的使用步骤：
1. 数据的提取：
数据的提取要按照一定的格式去提取，比如：作者、发表年限、试验组样本量、试验组均值、试验组标准差、对照组样本量、对照组均值、对照组标准差。这样的格式去提取。
2. 提取完数据，导入Meta分析；
Revman的使用就分为三步：①添加研究ID（add study）②添加比较（add Comparison）--试验组和对照的比较③添加结果或结局（add outcomes）--就是把效应量添加上
3.分析结果；
联系客服
