模块化理解伞状综述

适用场景

• 识别研究差距：通过对现有系统评价的综合分析，可以更容易地发现某个领域内尚未得到充分研究的问题或争议点，从而为未来的研究指明方向。

• 政策制定与指导方针开发：政府机构或非政府组织可能需要根据现有的最佳证据来制定政策或指南。伞状综述能够提供坚实的证据基础，帮助决策者做出更加明智的选择。

• 多学科交叉领域：当研究问题涉及多个学科或领域的知识时，伞状综述可以帮助整合来自不同领域的证据，为复杂问题提供全面的理解。

研究目的

可适用与所有meta/综述相关的研究目的。

文献检索

数据库（PubMed、Cochrane Library等）+灰色文献（会议摘要、机构报告）。

文献筛选

• 明确PICO要素（人群、干预、对照、结局）。

• 确定纳入标准：仅含系统综述/Meta分析，排除单一原始研究。

数据提取

提取内容：

• 综述基本信息（作者、年份、纳入原始研究数量）。

• 干预/暴露细节（类型、剂量、人群）。

• 结局指标（效应量、置信区间、异质性检验结果）。

分类维度：  

• 按干预类型：药物类别、非药物干预（手术/生活方式）。

• 按结局类型：有效性、安全性、亚组分析结果。

• 按证据等级：GRADE评级（高/中/低/极低）。

质量评估

评估工具：

• AMSTAR-2：评估系统综述的方法学质量（11项，分高/中/低/极低可信度）。

• ROBIS：针对综述偏倚风险（分低/高/不确定风险）。

操作要点：

• 由2名研究者独立评估，分歧通过协商或第三方仲裁解决。

• 记录排除低质量综述的理由（如AMSTAR-2评分<14分）。

结果可视化

结论一致性评估：

• 定性：总结不同综述结论的一致性（如多数支持ARBs降低卒中风险）。

• 定量：计算共识指数（如75%以上综述支持视为“一致”）。

可视化工具：

• 证据图谱：热图展示不同干预-结局对的证据强度（颜色梯度表示GRADE评级）。

• 森林图：合并同类Meta分析的效应量（需谨慎，因原始数据可能重叠）。

优势

• 效率：避免重复分析原始数据，快速绘制领域全貌。

• 灵活性：模块独立（如质量评估与数据提取可并行），便于团队协作。

• 可扩展性：新增干预或结局时，仅需更新对应模块。

挑战

• 数据重叠：不同综述可能纳入相同原始研究，导致结论偏倚。

• 异质性处理：需明确是否合并不同综述结果（通常建议描述性分析）。

• 时效性：依赖现有综述的更新频率，可能遗漏最新证据。