在医学科研的浩瀚星河里，Meta 分析就像一艘精准的导航舰，通过整合海量研究数据，为我们指引出科学结论的方向。而在 Meta 分析的整个流程中，制定科学合理的纳入与排除标准（纳排标准），堪称是研究质量的 “守门人”，直接决定了最终研究成果的可信度与价值。今天，我们就来深入聊聊，如何当好这个 “守门人”！
遵循PRISMA声明：让筛选流程透明又可靠
PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）声明是系统评价和 Meta 分析报告的 “黄金准则”，它对研究的每个环节都提出了细致要求。在制定纳排标准以及筛选研究时，PRISMA 声明着重强调：必须清晰说明判断一项研究是否符合纳入标准的具体方法。
通常，在筛选文献的关键环节，会安排两名独立的研究人员分别对每一条检索到的记录和报告进行筛选。这就好比给研究结果上了 “双保险”，避免因个人主观想法产生偏差。比如，不同研究者对研究相关性的判断可能大不相同，通过两人独立筛选，再针对有分歧的地方共同讨论，或者引入第三方 “裁判”，能最大程度保证筛选结果的公正客观。要是在筛选过程中用到了文献管理软件这类自动化工具，也得把使用方法、操作流程明明白白地写清楚，确保整个筛选过程透明可追溯，别人照着做也能得到一样的结果。
实际操作中的常见误区
在执行双人独立筛选时，容易出现沟通不及时的问题。例如，一位研究者在初步筛选中标记了某篇文献存在疑问，但没有及时与另一位研究者沟通，就可能导致后续判断不一致。此外，自动化工具虽然提高了效率，但如果没有对其筛选逻辑进行严格校验，也可能误筛或漏筛文献。比如，在使用 EndNote 等软件进行文献去重时，如果设置的去重规则不严谨，就可能把同一研究的不同发表版本误判为多篇文献。
纳入标准：PICOS原则的 “神奇魔法”
PICOS 原则是制定纳入标准的 “核心秘籍”，它由五个关键要素构成，分别是研究对象（Population）、干预措施（Intervention）、对照措施（Comparison）、研究结局（Outcome）和研究类型（Study design）。只要掌握了这五大要素，就能让纳入标准既清晰又全面。
举个例子，当我们研究某种新型降压药物的疗效时，按照 PICOS 原则确定纳入标准：
-
研究对象（Population）：明确划定人群范围，比如年龄在 18 - 65 岁之间、患有原发性高血压的特定人群，还可以补充上性别等其他特征。
-
干预措施（Intervention）：详细说明如何使用这款新型降压药，包括药物剂型、服用剂量、一天吃几次等具体信息。
-
对照措施（Comparison）：确定对照组的处理方式，可能是使用传统降压药，或者给予安慰剂。
-
研究结局（Outcome）：清晰区分主要和次要结局指标，像主要结局设定为用药后血压下降的数值，次要结局涵盖药物不良反应发生情况等。
-
研究类型（Study design）：限定纳入的研究类型，比如只选择随机对照试验（RCT），因为这类研究能更好地排除干扰因素，让研究结果更靠谱。
不同文献基础的PICOS应用差异
PICOS 原则是医学领域制定 Meta 分析纳入排除标准的核心框架，但在不同研究类型中需灵活调整要素结构。在观察性研究（如队列研究、病例对照研究）中，通常将 "干预措施（Intervention）" 转换为暴露因素（Exposure），形成 PECOS 框架：
-
研究对象（Population）指符合特定纳入条件的人群；
-
暴露因素（Exposure）为研究关注的危险因素或保护因素；
-
对照措施（Comparison）是未暴露或低暴露组；
-
研究结局（Outcome） 为观察期内发生的疾病事件或健康指标变化；
-
研究类型（Study design）明确为观察性研究类型 。
而在诊断试验准确性研究中，需将 "干预措施（Intervention）" 替换为待评价的诊断试验（Index test），即 PICOS 中的 "I" 转化为 Index。此时，研究对象（Population） 是疑似患有特定疾病的人群；待评价诊断试验（Index）为新型检测方法或技术；对照措施（Comparison）采用金标准诊断方法（reference）；研究结局（Outcome）包括灵敏度、特异度等诊断效能指标；研究类型（Study design）限定为诊断试验设计。
通过要素的针对性调整，PICOS 框架能够精准适配不同医学研究场景的特性需求，确保纳入标准与研究问题高度契合。
排除标准：和纳入标准 “默契配合”
制定排除标准时，一定要注意：排除标准不能和纳入标准 “打架”！排除标准的使命是把那些可能影响研究结果准确性、可靠性的研究 “拒之门外”，而不是误把符合条件的研究错漏排除。
还是拿降压药物研究来说，如果纳入标准规定研究对象是 18 - 65 岁的原发性高血压患者，那排除标准里就绝对不能出现 “纳入 18 - 55 岁的原发性高血压患者” 这种自相矛盾的表述，排除标准也不能出现“小于18岁或大于65岁”这种重复啰嗦的表述。我们可以从其他角度合理设定排除标准，比如剔除数据残缺不全的研究、没有说清干预措施具体细节的研究，或者随访时间太短、无法有效评估结果的研究。
此外，制定排除标准还得结合研究实际需求，把潜在的干扰因素考虑进去。对于那些会严重影响研究结果的因素，像研究设计漏洞百出、研究对象情况特殊导致结果缺乏可比性等，都可以列入排除标准。但在这个过程中，一定要保持严谨客观，确保排除标准科学合理。
制定后的评估与验证
完成纳排标准制定后，还需要进行评估与验证。可以选取少量文献，按照纳排标准进行模拟筛选，检验标准的可行性和合理性。比如，随机抽取 20 - 30 篇与研究主题相关的文献，由两名研究者分别依据纳排标准进行筛选，计算两人筛选结果的一致性比例（如 Kappa 值） 。如果一致性较低，就需要重新审视纳排标准，检查是否存在表述模糊或不合理的地方，并及时进行调整优化。
Meta 分析纳排标准的制定容不得半点马虎，遵循 PRISMA 声明规范筛选流程，借助 PICOS 原则制定纳入标准，再合理设置排除标准，并做好后续的评估验证，就能大大提升 Meta 分析的质量与可信度。希望今天的分享能帮你在 Meta 分析的道路上少走弯路，顺利开展高质量的研究！如果还有疑问，欢迎在评论区留言交流～
评论列表