网状Meta分析的GRADE评级实例教学

为什么要进行

网状Meta GRADE证据等级评价？

网状Meta分析（NMA）的GRADE证据等级评估，核心目标是提升复杂证据网络的可信度与临床决策的可靠性。传统GRADE框架针对单一直接比较设计，但NMA整合了直接与间接证据（如通过共同对照间接比较不同干预），其复杂性引入了独特风险：间接证据依赖“传递性假设”（假设研究间人群、干预背景相似），若假设不成立，结论可能偏倚；网络内可能存在直接与间接证据的矛盾（不一致性）；多重干预比较易放大偏倚或随机误差。通过扩展GRADE框架或专用工具（如CINeMA），可系统评估：

① 直接/间接证据的偏倚风险与异质性；

② 间接路径的合理性；

③ 网络不一致性（如节点拆分法检验）；

④ 结果精确性（置信区间宽度）。

证据等级（高/中/低/极低）量化了结论确定性，帮助识别薄弱环节（如某间接比较需更多研究支持），并为指南制定提供透明度（明确推荐依据的强弱）。若忽略评估，低质量证据可能被误读为可靠结论，导致临床决策风险。

通过CINeMA工具进行网状Meta分析的GRADE证据等级评价的步骤：

1️⃣ 数据准备

• 格式标准化：整理所有研究的效应量（如OR、RR）、方差及网络结构数据，保存为.csv格式。

• 偏倚风险评估：提前用ROB 2.0工具评估每项研究的偏倚风险（低/中/高）。

例如：

id指定研究；t指定处理（数字或字符串）；r是事件数；n为样本量；y是均值；sd为标准差；t1和t2表示治疗；rb指明了偏见的风险，Indirectness指明了间接性的程度；rob和Indirectness可以取1、2、3或L、M、h值，分别表示低、中、高偏倚风险或间接性水平。

2️⃣ 访问与导入

• 登录CINeMA在线平台：

  https://cinema.ispm.unibe.ch/

• 新建项目：上传数据文件或手动输入效应量矩阵，确认网络图正确显示干预连接关系。

3️⃣ 配置评估参数

在平台中逐项设置6个评估维度的标准：

Within-study bias：标注每项研究的偏倚风险等级。

Indirectness：人工标记间接比较路径，验证研究间人群、干预的相似性（传递性假设）。

Imprecision：设定临床重要阈值（如RR=0.8-1.25），超出阈值则视为“不精确”。

Heterogeneity：输入异质性统计量（如tau²），或由工具自动计算。

Incoherence：选择节点拆分法（P<0.05为不一致）。

Publication bias：选择Egger检验或忽略（若数据不足）。

相关文章，可点击链接查看全文：网状Meta分析质量评价与风险评估

4️⃣ 运行分析

自动计算：点击“Run Analysis”，生成每对干预比较的：

• 效应量估计及95%置信区间。

• 各维度的关注程度（无/部分/严重）。

不一致性检验：查看节点拆分结果，标红存在矛盾的比较对（如A vs B直接与间接证据冲突）。

5️⃣ 可信度评级

自动评级：CINeMA根据6个维度自动生成总体可信度：

• 高：所有维度无关注。

• 中：1-2个维度部分关注。

• 低：≥3个维度部分关注或1个维度严重关注。

• 极低：多个维度严重关注。

• 人工复核：结合临床背景调整评级（如间接路径的合理性需专家确认）。

6️⃣ 结果可视化与导出

• 热图/表格：用颜色区分可信度（如绿色=高，红色=极低），支持交互式查看降级原因。

• 导出报告：生成PDF或图片，含关键结果与可信度总结表。

注意事项：

传递性假设需人工验证：CINeMA无法自动判断临床合理性，需研究者补充说明。

数据完整性：缺失方差或异质性参数可能导致评级偏差，建议用敏感性分析填补。

透明报告：在论文中详细描述CINeMA配置参数，并附上评估流程图。

示例：

Zhang L, Zhang C, Yuan X, Ji Y. The impact of exercise interventions on core symptoms of 3-12-year-old children with autism spectrum disorder: a systematic review and network meta-analysis. Eur Child Adolesc Psychiatry. 2025 Mar 25. doi: 10.1007/s00787-025-02696-8. Epub ahead of print. PMID: 40131458.

比较了不同干预对 3-12 岁孤独症谱系障碍儿童核心症状的影响