荟萃分析

荟萃分析是结合多种结果的统计分析，科学的研究。当存在多个针对同一问题的科学研究时，可以进行荟萃分析，每个单独的研究报告的测量值都可能存在一定程度的误差。然后，目标是使用统计方法，根据如何感知此错误，得出最接近未知公共真理的汇总估计。

现有的荟萃分析方法从各个研究的结果中得出加权平均值，不同之处在于分配这些权重的方式以及围绕这样生成的点估计值计算不确定性的方式。荟萃分析除了可以估算未知的共同事实外，还可以对比不同研究的结果，并确定研究结果之间的模式，这些结果之间的分歧来源或在上下文中可能会发现的其他有趣的关系。

这种方法的主要好处是信息的汇总，比任何单独研究得出的指标所能提供的统计能力和点估计值都更高。但是，在进行荟萃分析时，研究人员必须做出可能影响结果的选择，包括确定如何搜索研究，基于一组客观标准选择研究，处理不完整的数据，分析数据以及对结果进行核算。或选择不考虑出版偏见。完成荟萃分析的判断电话可能会影响结果。

例如，Wanous和同事对以下四个主题进行了四对荟萃分析：

（a）工作绩效和满意度关系；

（b）现实的工作预览；

（c）角色冲突和歧义的相关性；

（d）工作满意度和旷工之间的关系，并说明研究人员做出的各种判断呼吁如何产生不同的结果。

荟萃分析通常是（但并非总是）系统评价程序的重要组成部分。例如，可以对几种药物的临床试验进行荟萃分析，以期更好地了解治疗的效果。在这里可以很方便地遵循由所使用的术语Cochrane协作和使用“荟萃分析”指结合证据的统计方法，留下了“其他方面的综合研究”或“证据合成”，如结合来自定性研究的信息，用于更系统的系统评价。荟萃分析是次要来源。

荟萃分析通常需要进行系统的审查，因为这样可以对所有相关证据进行识别和严格评估（从而限制了汇总估计中存在偏差的风险）。常规步骤如下：

1. 制定研究问题，例如使用PICO模型（人口、干预、比较、结果）。
2. 文献检索
3. 研究选择（“纳入标准”）
   1. 基于质量标准，例如临床试验中对随机化和盲法的要求
   2. 选择针对特定学科的特定研究，例如乳腺癌的治疗。
   3. 确定是否包括未发表的研究，以避免发表偏见（文件抽屉问题）
4. 确定允许哪些因变量或汇总度量。例如，当考虑对已发布（汇总）数据进行荟萃分析时：
   • 差异（离散数据）
   • 平均值（连续数据）
5. 选择荟萃分析模型，例如固定效应或随机效应荟萃分析。
6. 检查研究之间异质性的来源，例如使用亚组分析或元回归。

Cochrane手册提供了进行荟萃分析和报告的正式指南。

现代统计荟萃分析不仅仅使用加权平均值来合并一组研究的效应量。它可以测试由于对不同数量的研究参与者进行了抽样，研究结果是否显示出比预期的变化更大的变化。此外，可以对研究特征（例如使用的测量工具、抽样样本或研究设计的各个方面）进行编码，并用于减少估算器的方差。因此，研究中的一些方法上的弱点可以通过统计学加以纠正。元分析方法的其他用途包括临床预测模型的开发和验证，其中元分析可用于合并来自不同研究中心的单个参与者数据并评估模型的通用性，甚至汇总现有的预测模型。

可以使用单主题设计和小组研究设计进行荟萃分析。这很重要，因为许多研究都是通过单项研究设计完成的。对于单学科研究最合适的荟萃分析技术存在很大争议。

荟萃分析导致重点从单项研究转移到了多项研究。它强调效应大小的实际重要性，而不是单个研究的统计学意义。这种思维上的转变被称为“元分析思维”。荟萃分析的结果通常显示在森林图中。

研究结果使用不同的方法进行合并。在卫生保健研究中常用于荟萃分析的一种方法称为“逆方差法”。所有研究的平均效应大小以加权平均值计算，其中权重等于每个研究的效应估计量的反方差。与较小的研究相比，较大的研究和具有较小随机变化的研究具有更大的权重。其他常见的方法包括Mantel–Haenszel方法和Peto方法。

基于种子的d映射（以前称为差分映射，SDM）是一种统计技术，用于对使用神经磁共振成像技术（例如fMRI、VBM或PET）的大脑活动或结构差异进行荟萃分析。

不同的高通量技术（例如微阵列）已用于理解基因表达。MicroRNA表达谱已用于鉴定特定细胞或组织类型或疾病状况中差异表达的microRNA或检查治疗效果。进行了这种表达谱的荟萃分析，以得出新的结论并验证已知的发现。