栗梦婷 1,2 , 朱鸿飞 1,2 , 后亮瑛 1,2,3 , 王琪 1,2 , 田金徽 3,4,5,6,7 , 陈耀龙 3,4,5,6,7 , 杨克虎 3,4,5,6,7 , 邓宏勇 8 , 曾力楠 9,10,11 , 张伶俐 9,10,11 , RominaBrignardello-Petersen 12 , 葛龙 1,2,4,5,6,7
  • 1. 兰州大学公共卫生学院社会医学与卫生事业管理研究所(兰州 730000);
  • 2. 兰州大学公共卫生学院循证社会科学研究中心(兰州 730000);
  • 3. 兰州大学基础医学院循证医学中心(兰州 730000);
  • 4. 甘肃省循证医学与临床转化重点实验室(兰州 730000);
  • 5. 兰州大学健康数据科学研究院(兰州 730000);
  • 6. 世界卫生组织指南实施与知识转化合作中心(兰州 730000);
  • 7. GRADE 中国中心(兰州 730000);
  • 8. 上海中医药大学中医健康协同创新中心(上海 201203);
  • 9. 四川大学华西第二医院药学部(成都 610041);
  • 10. 四川大学华西第二医院循证药学中心(成都 610041);
  • 11. 出生缺陷与相关妇儿疾病教育部重点实验室(成都 610041);
  • 12. 麦克马斯特大学卫生研究方法、证据和影响力系(加拿大汉密尔顿 L8S4L8);
导出 下载 收藏 扫码 引用

网状 Meta 分析的最大优势在于可量化比较针对同一疾病的不同干预措施,并按某一指标对其优劣进行排序。多种干预措施的纳入增加了网状 Meta 分析结果解读的复杂性,仅基于排序结果进行解读可能会存在误导性。目前,对网状 Meta 分析结果的解读尚无公认的标准。2020 年 11 月,GRADE 工作组基于网状 Meta 分析的 GRADE 分级结果,提出了 2 种网状 Meta 分析结论形成的方法:部分背景化框架(partially contextualised framework)和最小背景化框架(minimally contextualised framework)。本文结合具体实例,旨在对最小背景化框架的方法、原理和步骤进行介绍,以期为网状 Meta 分析制作者采用该方法呈现和解读结果提供指导。

引用本文: 栗梦婷, 朱鸿飞, 后亮瑛, 王琪, 田金徽, 陈耀龙, 杨克虎, 邓宏勇, 曾力楠, 张伶俐, RominaBrignardello-Petersen, 葛龙. 网状 Meta 分析结论形成的方法:最小背景化框架. 中国循证医学杂志, 2021, 21(9): 1102-1109. doi: 10.7507/1672-2531.202105068 复制

  • 上一篇

    中断时间序列分析在医院科研激励中的应用
  • 下一篇

    网状 Meta 分析结论形成的方法:部分背景化框架