用"比武大会"理解核心概念。可以用一句话定义：当你想比较多个治疗方案却缺少"直接PK"数据时，网状Meta分析就像一场"比武大会"，通过间接比较（比如A vs B，B vs C）推断出谁才是真正的"武林高手"。
适用场景（用案例说明）：
场景1：现有5种降压药，但只有A vs B、B vs C的研究，如何知道A和C谁更好？
场景2：新药上市后，如何快速评估它和现有药物的疗效排名？
核心逻辑图示：
用简单流程图展示"直接比较"和"间接比较"如何通过"桥梁"（如共同对照B）连接成一个网络。
（可参考下图重绘）
统计学模型简化版：
核心思想：所有治疗间的比较都通过一个"统一标尺"（如效应量）来打分
关键术语：贝叶斯 vs 频率学派（一句话解释差异："先验经验" vs "纯数据说话"）
频率学派：
像考试时只用自己的草稿纸答题，不能参考课本或笔记。结论完全基于当前数据。
用“置信区间”或“p值”。比如：“效应量是2，95%置信区间为1到3。” 这里的置信区间不直接表示概率，而是长期频率意义上的可靠性。。
贝叶斯学派：
像开卷考试，可以带笔记（先验知识），结合题目（新数据）写出更全面的答案。
用“可信区间”和概率陈述。比如：“效应量有95%的概率在1到3之间。” 这种说法更贴近直觉，直接回答“真实值有多大可能在这个范围”。
非常多贝叶斯网状荟萃分析文章误用95%置信区间（95%CI）而不是正确的95%可信区间（95%CrI）。
有些不太专业的审稿人会索要贝叶斯方法得到结果的p值，但事实上这种方法并不提供。
第一步：明确问题
问自己：我要比较哪些治疗？关注什么结局指标？（举例：降压药 vs 血压下降值）
第二步：文献检索与筛选
重点：必须包含至少一个共同对照（如安慰剂），否则无法形成"网络"
第三步：数据提取与质量评估
避坑提示：警惕"苹果 vs 橘子"问题（研究人群/设计差异过大）
比如说把8岁、18岁和80岁的人放到一起作比较是没意义的。
第四步：构建网络图
可视化技巧：用节点大小表示样本量，连线粗细表示研究数量
第五步：模型选择与统计分析
小白必看：固定效应模型 vs 随机效应模型（用"天气预测"比喻：考虑误差 vs 忽略误差）
但是目前越来越多的审稿人主张在NMA中无脑使用随机效应模型。
第六步：结果可信度检验
重点检查：一致性检验（直接比较和间接比较结果是否打架？）
第七步：结果解读与排序
如何看"疗效排行榜"：SUCRA值（0-100分，越高越好）
1.异质性陷阱
2.一致性检验失败
对策：节点拆分法（Node-splitting）评价差异的程度
出现以上情况首先考虑什么呢？必须首先考虑数据提取错误！
必备图表与解读技巧：
网络图：一眼看清谁和谁PK过（标注治疗节点和连线关系）
森林图：用"小方块+横线"展示效应量和置信区间/可信区间
排名图：SUCRA值排序+概率分布（举例：药物A有80%概率排第一）
评论列表