在阅读肿瘤或慢性病相关的 Meta 分析文献时，我们经常会看到 OS、PFS、RFS 这些英文缩写。对于初学者来说，这些长得像“乱码”一样的指标往往是读懂文章的第一道门槛。
今天，我们就用最直白的语言，拆解这些核心指标，让你一眼看懂 Meta 分析的结局究竟在说什么。
为什么要关注“生存结局”？
在医学研究中，仅仅看“肿瘤有没有缩小”是不够的，医生和患者更关心的是：这个药能不能让患者活得更久？或者让病情更晚复发？
为了量化这些目标，研究者们定义了一系列“时间点”。Meta 分析则是把多个研究中关于这些时间点的结果汇总起来，给出一个更有说服力的结论。
四大核心指标深度对比
在 Meta 分析中，最常见的四个指标分别是：OS、PFS、DFS、RFS。我们通过下面这张表来理清它们的关系：
划重点：
-
OS 是最有说服力的，因为它只看结果——人还活着吗？
-
PFS 关注的是“病有没有变重”，它包含死亡，也包含肿瘤长大了。
-
DFS/RFS 通常出现在手术后的研究中，关注的是“病有没有回来”。
KM生存曲线
在 Meta 分析纳入的原始文献中，最直观的图表莫过于 KM 曲线（Kaplan-Meier curve）。它看起来像一段段向下的阶梯。
我们要怎么看这张图？
-
横轴与纵轴：横轴（X轴）代表时间，纵轴（Y轴）代表生存概率（1.0 或 100% 代表全员健在）。
-
阶梯式下降：曲线每一次“掉头向下”，都代表有一名患者发生了终点事件（如死亡或复发）。
-
曲线的高低：这是一个很直观的判断——曲线位置越高，代表生存情况越好。如果试验组的曲线一直处于对照组上方，说明该方案能有效延长患者生命。
-
中位生存时间（Median Survival Time）：这是最常被引用的数值。从纵轴 50% 的地方画一条水平线，与曲线相交点对应的横轴时间，就是中位生存时间。简单说，就是“有一半人还活着”的时间点。
单因素 vs 多因素
在 Meta 分析的原始研究中，作者通常会进行两种分析。理解它们的区别，能帮你判断研究结果的可靠性。
为什么要看多因素分析？假设一种药在单因素分析中有效，但在多因素分析中失效了，这可能说明这种药其实没用，效果好只是因为吃药的那组人本身身体素质（如年龄、基础病）更好。只有多因素分析结果依然显著，才能说明该因素是“独立预测因子”。
Meta分析中的核心数值：HR
在解读这些指标的 Meta 分析结果时，你不需要看复杂的公式，只需要盯住一个关键数值：HR（Hazard Ratio），即风险比。
在Meta分析的森林图中，HR 的含义非常直观：
-
HR = 1：说明试验组和对照组的生存风险一样，治疗没啥特殊效果。
-
HR < 1：（好消息）说明试验组的死亡或进展风险更低，治疗有效。
-
HR > 1：（坏消息）说明试验组的风险反而更高。
小例子：如果某Meta分析结果显示 OS 的 HR = 0.70，意味着试验组相比对照组，死亡风险降低了 30%。
给初学者的3条阅读建议
1️⃣ 先看终点定义：不同的文章对 PFS 或 RFS 的定义可能有细微差别，阅读时先看作者是怎么定义“终点”的。
2️⃣ 关注置信区间：如果 HR 的 95% 置信区间（95% CI）横跨了 1（例如 0.8 到 1.2），那么这个结果在统计学上通常被认为是不显著的。
3️⃣ 不要只看 OS：虽然 OS 是金标准，但有些新药可能在 PFS 上表现极佳，但在 OS 上差异不明显（可能是因为后续换药治疗的影响），这也是很有临床价值的。
评论列表