Meta分析中一個較重要的問題是偏倚，它也是導致異質性的原因。當研究存在異質性時，傳統Meta分析通常使用基于倒方差法的隨機效應模型對結果進行合并。盡管隨機效應模型使用基于瞬時估算的量τ2表示研究真實值間偏離程度，以此獲得更“保守”的合并結果。然而這種方式并未對偏倚對每項研究結果的影響進行考慮，且存在低估標準誤的風險，導致合并結果同樣存在偏倚。Doi等提出一種新的加權模型，QE法，能夠很好地解決上述問題。本文對QE加權模型及其軟件的實現進行詳細介紹，并將QE加權模型法與隨機效應模型結果以一示例進行對比。
引用本文： 徐暢, 曾憲濤, DoiSuhail, 劉同族, 鄺心穎, 陳昊, 張超. 選擇QE或RE模型：一種帶偏倚校正功能的加權方式在Meta分析中的應用. 中國循證醫學雜志, 2016, 16(5): 612-616. doi: 10.7507/1672-2531.20160094 復制
當前醫療干預措施及臨床決策在極大程度上依賴于Meta分析提供的證據。這種方法通過恰當的方法學合并類似研究的結果，能獲取更全面、客觀、明確及可信的結論來回答或解決特定的臨床問題 [1]。理想狀態下的Meta分析方法假設這些研究都以相同的方法去解決相同的問題 [2]。實際上，這些研究在方法設計、實施、問題設置上均存在或多或少的差異 [2]。通常的做法是根據這些研究統計學異質性的大小選擇固定（fixed-effect，FE）或隨機效應（random-effect，RE）模型進行合并 [3]。異質性較大時，由它們真實值間的偏離程度（研究間）以及隨機誤差（研究內）共同構成，前者則由偏倚引起 [2]。
傳統倒方差權重法下，FE模型使用研究內隨機誤差的方差（σ2），也即研究結果的近似方差的倒數為權重 [1]。當納入研究存在不可忽視的異質性時，需將偏倚納入加權方式進行考慮 [4]。RE模型使用tau的平方（τ2）衡量研究間差異，以此估算“平均”偏倚大小 [2, 4]。樣本小的研究結果通常有更大的方差導致權重較小，當使用RE模型考慮偏倚時，每項研究計算權重時分母均加同樣數值的τ2，使小研究會被分配更多的權重，而大研究會被減少權重 [5]。然而這種方法并不合理，首先研究的目標問題、設計、實施過程的不同會造成研究偏倚大小及方向的不同，因此將偏倚納入權重中考慮時使用“平均”偏倚欠妥 [6]；其次，隨著研究間異質性大小的增加，RE模型下合并的結果置信區間覆蓋概率（coverage probability）會隨之降低，導致標準誤的低估，使得出的結論存在過于肯定的風險 [7]。針對這種情況，Doi Suhail等 [8, 9]提出了一種更合理的基于偏倚校正的加權模型，質量效應（Quality Effect，QE）模型，很好的解決了RE模型的缺陷。本文將該方法引入國內對其進行介紹，并將QE模型與RE模型進行實例對比，以期為國內循證醫學方法學研究及循證實踐提供參考。
1 傳統FE及RE模型
不妨以集合κ表示研究數量，第i篇研究實際結果為θi，對應真實值為θ?i，ei表示隨機誤差，可用以下公式表示實際結果與真實值的關系：
| ${\theta _i} = {\hat \theta _i} + {e_i};(i = 123 \cdots \kappa )$ |
FE模型認為納入研究同質，即假設它們存在相同的真實值，且θi之間的差異是由隨機誤差ei引起，ei服從均值為0，標準誤為σi2的正太分布。通過倒方差法，研究權重為：
| ${w_i}{\rm{ = }}1/{\sigma _i}^2$ |
這種方法只考慮樣本量大小，并未將研究質量（設計、實施）對合并結果的影響進行考慮；因此，當研究間存在不可忽視的異質性時，需考慮RE模型。RE模型允許每個研究存在獨立的真實值，這些真實值均勻分布在它們均值θ的兩側，而這時的差異由它們真實值間的偏離程度（研究間）以及隨機誤差（研究內）共同構成：
| ${{\theta }_{i}}=~{{{\hat{\theta }}}_{i}}+{{e}_{i}};$ |
| ${{{\hat{\theta }}}_{i}}=\bar{\theta }+{{\varepsilon }_{i}};$ |
其中εi服從均值為0，標準誤為τ2的正態分布，τ2的大小未知，通常使用瞬時值對其進行估算 [8]。RE模型下，方差則包括研究內ei和研究間εi兩部分；根據卷積定理，顯然(ei+εi)服從均值為0，標準誤為(σi2+τ2) 的正態分布 [10]。研究權重為：
| ${{w}_{i}}=1/({{\sigma }_{i}}^{2}+{{\tau }_{2}})~$ |
因τ2是偏倚導致，因此公式（5）部分考慮了偏倚對合并結果的影響；但因前面提到的不同研究偏倚大小及方向存在差異。因此在研究存在不可忽視的異質性時，使用傳統隨機模型合并的結果誤差較大，合并結果可表示為：
| ${{\theta }_{RE}}={\sum {{w}_{i}}{{\theta }_{i}}}/{\sum {{w}_{i}}}\;$ |
2 Doi QE模型
2.1 QE模型方法學
Doi提出的QE模型是基于倒方差法的改進方法，引入研究質量元素，Qi，表示研究結果的可信度。Qi可由質量評價量表獲得，計算方法為研究得分與總分之比。如某量表總分為12，而某研究經嚴格評價后得分為6，則Qi值為0.5 [4, 6]。通過QE法加入研究質量元素后其重新分配的權重如下：
| ${{w}_{i}}^{QE}\text{ }=\text{ }{{{\hat{Q}}}_{i}}{{w}_{i}}=\hat{Q}i/~{{\sigma }_{i}}^{2};~$ |
由于單純使用Qi存在主觀風險，Doi引入一個新的變量，，對其進行一定程度校正，如下：
| $$ |
為質量校正元素，計算公式如下：
| ${{{\hat{\tau }}}_{i}}={{\sum }_{i=1}}^{k}{{\tau }_{i}}-{{\tau }_{i}};$ |
| ${{\tau }_{i}}=\frac{{{w}_{i}}-\left( {{w}_{i}}\times {{Q}_{i}} \right)}{\kappa -1};$ |
通過公式（7）、（8）的變換，我們還可以可獲得如下表達式：
| ${{w}_{i}}^{QE}={{{\hat{Q}}}_{i}}{{w}_{i}}=\left( {{Q}_{i}}+\frac{{{{\hat{\tau }}}_{i}}}{{{w}_{i}}} \right){{w}_{i}}={{Q}_{i}}{{w}_{i}}+{{{\hat{\tau }}}_{i}};$ |
根據QE法計算的新權重，對研究偏倚進行相關校正，可獲取更為合理的合并結果，且Doi經過1 000次以上迭代驗證后顯示，隨著異質性的增加，QE法合并結果的置信區間覆蓋率均保持在較理想的水平 [8, 11]。QE法合并公式如下：
| ${{\theta }_{QE}}=\sum ({{Q}_{i}}{{w}_{i}}+{{{\hat{\tau }}}_{i}}){{\theta }_{i}}/\sum ({{Q}_{i}}{{w}_{i}}+{{{\hat{\tau }}}_{i}});$ |
2.2 MetaXL軟件實現QE法Meta分析
由Doi及Barendreg開發的MetaXL軟件可用于實現基于QE法的Meta分析 [
圖1
Excel界面MetaXL加載項
該加載項菜單界面分為三個部分，第一個部分為輸出欄（Output），點擊后會輸出Meta分析結果；第二個部分為計算欄（Calculation），有兩個選項，分別為Options和Reset，前者用于選擇Meta分析及輸出結果參數，后者功能是重新計算結果；第三個部分為文件材料欄，分為數據輸入樣版（Input template）、示例（Example）、MetaXL用戶手冊，點擊文件材料欄可用于選擇數據格式，點擊示例可查看軟件自帶操作實例，點擊用戶手冊可調出安裝軟件時已下載好的手冊。我們使用MetaXL自帶“ Fruitsveg.xls ”數據示例進行操作演示，實際上，數據格式與多數軟件類似，如表 1。
表1
MetaXL加載項數據輸入格式
按照上述格式將數據輸入或復制到Excel中，因該數據共8行5列（A～E），對應Excel中A1至E8所有元素，避開數據輸入部分在任意Excel單元（如A10）使用宏即可獲取相應Meta分析結果。宏命令基本格式如下：
=MAInputTable("Name","IOtype","Method",Table)
其中，MAInputTable為進行Meta分析的核心函數；Name為數據名稱，如我們將表 1數據命名為“Fruitveg”，這個即可作為Name；IOtype為效應量及數據模式的設置，如RRCL、ORCL、RRSE，分別表示效應量為RR且使用置信區間的數據模式、效應量為OR使用置信區間的模式、效應量為RR使用標準誤的模式；Method用于設置合并方法，如RE法、QE法等；Table則用于選擇數據表格范圍，如A1：D6表示選擇A1至D6這6行4列的數據進行Meta分析。根據這一函數語言，本示例用于普通Meta分析結果的宏如下：
=MAInputTable("Fruitveg","RRCI","RE",A2:D8)
用于QE法Meta分析結果的宏：
=MAInputTable("FruitvegQE","RRCI","QE",A2:E8)
因第一行為變量名，因此在選擇單元格范圍時，我們使用了A2。使用第二種宏輸入后，A10單元格會顯示“ Fruitveg ”，A11單元格會顯示“ FruitvegQE ”。注意第二個宏與第一個宏的數據區別在于最后一列，第一個宏并未包括Qi這一列的數據。在A10單元格輸入第一個宏，繼續直接點擊Output欄“ Results ”菜單，在彈出的窗口中選擇名為“ Fruitveg ”的選項（圖 2），即會出現基于RE模型Meta分析結果的森林圖（圖 3A）。
圖2
數據輸入及結果輸出窗口
圖3
Meta分析結果（A為RE模型下森林圖，B為QE模型下森林圖）
同樣在A11單元格輸入第二個宏，按相同操作，在彈出的窗口選擇名為“ FruitvegQE ”的選項，即可獲得基于QE法合并的Meta分析結果（圖 3B）。不難發現，QE法下每項研究權重與RE法存在較大差異，如第一個研究RE法下權重為25.7%，但在QE法下為61.3%，因為在QE法下樣本量大、偏倚風險小的研究會被分配更多的權重。
3 討論
本文詳細介紹了基于偏倚校正功能的QE模型，對相關方法學及軟件操作做了詳細描述；本文同時討論了傳統RE模型的缺陷，并通過示例對比了使用RE模型及QE模型下合并的結果。我們發現在示例中，RE模型合并的結果是陽性的，及攝入水果及蔬菜對某健康問題存在保護作用，而在QE模型中，結果是陰性的。充分說明了對偏倚的處理方法會很大程度上影響合并的結果。本示例中我們發現，RE模型下合并結果的置信區間范圍較QE模型小，因為本示例中納入研究異質性較大，而我們前面提到當異質性增大時，RE模型合并結果的置信區間覆蓋率是降低的 [6]。因此實際上在存在異質性的情況下，RE模型的結果并不“保守”，反而是過于肯定。
QE模型適用于各種類型的Meta分析，特別是基于觀察性研究的Meta分析。觀察性研究由于本身設計嚴謹性、實施過程精確性問題易引入混雜因素，導致結果的偏倚 [2]。偏倚的處理一直是循證醫學方法學領域較為棘手的問題 [13]。當前Cochrane手冊推薦的偏倚處理方法為使用質量評價量表報告偏倚風險 [1]。實際上報告偏倚風險無法在本質上解決偏倚對結果的影響，且傳統RE模型并未對偏倚風險校正或考慮將質量高（偏倚風險小）的研究給予更多的權重，因此合并的結果仍然存在偏倚風險 [4]。Doi的QE模型在倒方差法基礎上，根據質量評價量表量化研究結果的可信度，并引入質量校正元素，充分考慮了樣本量及研究質量兩方面因素進行權重分配，使合并結果偏向于高質量、大樣本量的研究，更接近于真實值。
當然QE模型仍存在一些缺陷：首先Qi值是人為根據質量評價量表獲得的，存在一定主觀性，其值的大小可能因人而異；其次，QE法對質量評價量表依賴度較高，當前的質量評價量表僅能反應研究部分質量，并無法完全反映研究質量，因此不同量表也可得出不同的Qi值；再次，QE法雖然在權重分配方面更為合理，其作用是使合并結果偏向更可信的研究，但并未對偏倚進行定量校正，導致最終異質性并未降低。當然，這也是未來QE法需要解決的問題。
鑒于該方法存在主觀風險，我們建議進行質量評價計算Qi值時應至少由2名相關領域專家獨立評價，以獲取更客觀的結果。QE加權方法使用更為合理的方法學及權重分配方式，避免了傳統RE模型下異質性越大置信區間覆蓋率降低的缺陷，它對傳統方法學是一種創新及挑戰，但對當前醫療衛生證據體系將產生積極的影響。
當前醫療干預措施及臨床決策在極大程度上依賴于Meta分析提供的證據。這種方法通過恰當的方法學合并類似研究的結果，能獲取更全面、客觀、明確及可信的結論來回答或解決特定的臨床問題 [1]。理想狀態下的Meta分析方法假設這些研究都以相同的方法去解決相同的問題 [2]。實際上，這些研究在方法設計、實施、問題設置上均存在或多或少的差異 [2]。通常的做法是根據這些研究統計學異質性的大小選擇固定（fixed-effect，FE）或隨機效應（random-effect，RE）模型進行合并 [3]。異質性較大時，由它們真實值間的偏離程度（研究間）以及隨機誤差（研究內）共同構成，前者則由偏倚引起 [2]。
傳統倒方差權重法下，FE模型使用研究內隨機誤差的方差（σ2），也即研究結果的近似方差的倒數為權重 [1]。當納入研究存在不可忽視的異質性時，需將偏倚納入加權方式進行考慮 [4]。RE模型使用tau的平方（τ2）衡量研究間差異，以此估算“平均”偏倚大小 [2, 4]。樣本小的研究結果通常有更大的方差導致權重較小，當使用RE模型考慮偏倚時，每項研究計算權重時分母均加同樣數值的τ2，使小研究會被分配更多的權重，而大研究會被減少權重 [5]。然而這種方法并不合理，首先研究的目標問題、設計、實施過程的不同會造成研究偏倚大小及方向的不同，因此將偏倚納入權重中考慮時使用“平均”偏倚欠妥 [6]；其次，隨著研究間異質性大小的增加，RE模型下合并的結果置信區間覆蓋概率（coverage probability）會隨之降低，導致標準誤的低估，使得出的結論存在過于肯定的風險 [7]。針對這種情況，Doi Suhail等 [8, 9]提出了一種更合理的基于偏倚校正的加權模型，質量效應（Quality Effect，QE）模型，很好的解決了RE模型的缺陷。本文將該方法引入國內對其進行介紹，并將QE模型與RE模型進行實例對比，以期為國內循證醫學方法學研究及循證實踐提供參考。
1 傳統FE及RE模型
不妨以集合κ表示研究數量，第i篇研究實際結果為θi，對應真實值為θ?i，ei表示隨機誤差，可用以下公式表示實際結果與真實值的關系：
| ${\theta _i} = {\hat \theta _i} + {e_i};(i = 123 \cdots \kappa )$ |
FE模型認為納入研究同質，即假設它們存在相同的真實值，且θi之間的差異是由隨機誤差ei引起，ei服從均值為0，標準誤為σi2的正太分布。通過倒方差法，研究權重為：
| ${w_i}{\rm{ = }}1/{\sigma _i}^2$ |
這種方法只考慮樣本量大小，并未將研究質量（設計、實施）對合并結果的影響進行考慮；因此，當研究間存在不可忽視的異質性時，需考慮RE模型。RE模型允許每個研究存在獨立的真實值，這些真實值均勻分布在它們均值θ的兩側，而這時的差異由它們真實值間的偏離程度（研究間）以及隨機誤差（研究內）共同構成：
| ${{\theta }_{i}}=~{{{\hat{\theta }}}_{i}}+{{e}_{i}};$ |
| ${{{\hat{\theta }}}_{i}}=\bar{\theta }+{{\varepsilon }_{i}};$ |
其中εi服從均值為0，標準誤為τ2的正態分布，τ2的大小未知，通常使用瞬時值對其進行估算 [8]。RE模型下，方差則包括研究內ei和研究間εi兩部分；根據卷積定理，顯然(ei+εi)服從均值為0，標準誤為(σi2+τ2) 的正態分布 [10]。研究權重為：
| ${{w}_{i}}=1/({{\sigma }_{i}}^{2}+{{\tau }_{2}})~$ |
因τ2是偏倚導致，因此公式（5）部分考慮了偏倚對合并結果的影響；但因前面提到的不同研究偏倚大小及方向存在差異。因此在研究存在不可忽視的異質性時，使用傳統隨機模型合并的結果誤差較大，合并結果可表示為：
| ${{\theta }_{RE}}={\sum {{w}_{i}}{{\theta }_{i}}}/{\sum {{w}_{i}}}\;$ |
2 Doi QE模型
2.1 QE模型方法學
Doi提出的QE模型是基于倒方差法的改進方法，引入研究質量元素，Qi，表示研究結果的可信度。Qi可由質量評價量表獲得，計算方法為研究得分與總分之比。如某量表總分為12，而某研究經嚴格評價后得分為6，則Qi值為0.5 [4, 6]。通過QE法加入研究質量元素后其重新分配的權重如下：
| ${{w}_{i}}^{QE}\text{ }=\text{ }{{{\hat{Q}}}_{i}}{{w}_{i}}=\hat{Q}i/~{{\sigma }_{i}}^{2};~$ |
由于單純使用Qi存在主觀風險，Doi引入一個新的變量，，對其進行一定程度校正，如下：
| $$ |
為質量校正元素，計算公式如下：
| ${{{\hat{\tau }}}_{i}}={{\sum }_{i=1}}^{k}{{\tau }_{i}}-{{\tau }_{i}};$ |
| ${{\tau }_{i}}=\frac{{{w}_{i}}-\left( {{w}_{i}}\times {{Q}_{i}} \right)}{\kappa -1};$ |
通過公式（7）、（8）的變換，我們還可以可獲得如下表達式：
| ${{w}_{i}}^{QE}={{{\hat{Q}}}_{i}}{{w}_{i}}=\left( {{Q}_{i}}+\frac{{{{\hat{\tau }}}_{i}}}{{{w}_{i}}} \right){{w}_{i}}={{Q}_{i}}{{w}_{i}}+{{{\hat{\tau }}}_{i}};$ |
根據QE法計算的新權重，對研究偏倚進行相關校正，可獲取更為合理的合并結果，且Doi經過1 000次以上迭代驗證后顯示，隨著異質性的增加，QE法合并結果的置信區間覆蓋率均保持在較理想的水平 [8, 11]。QE法合并公式如下：
| ${{\theta }_{QE}}=\sum ({{Q}_{i}}{{w}_{i}}+{{{\hat{\tau }}}_{i}}){{\theta }_{i}}/\sum ({{Q}_{i}}{{w}_{i}}+{{{\hat{\tau }}}_{i}});$ |
2.2 MetaXL軟件實現QE法Meta分析
由Doi及Barendreg開發的MetaXL軟件可用于實現基于QE法的Meta分析 [
圖1
Excel界面MetaXL加載項
該加載項菜單界面分為三個部分，第一個部分為輸出欄（Output），點擊后會輸出Meta分析結果；第二個部分為計算欄（Calculation），有兩個選項，分別為Options和Reset，前者用于選擇Meta分析及輸出結果參數，后者功能是重新計算結果；第三個部分為文件材料欄，分為數據輸入樣版（Input template）、示例（Example）、MetaXL用戶手冊，點擊文件材料欄可用于選擇數據格式，點擊示例可查看軟件自帶操作實例，點擊用戶手冊可調出安裝軟件時已下載好的手冊。我們使用MetaXL自帶“ Fruitsveg.xls ”數據示例進行操作演示，實際上，數據格式與多數軟件類似，如表 1。
表1
MetaXL加載項數據輸入格式
按照上述格式將數據輸入或復制到Excel中，因該數據共8行5列（A～E），對應Excel中A1至E8所有元素，避開數據輸入部分在任意Excel單元（如A10）使用宏即可獲取相應Meta分析結果。宏命令基本格式如下：
=MAInputTable("Name","IOtype","Method",Table)
其中，MAInputTable為進行Meta分析的核心函數；Name為數據名稱，如我們將表 1數據命名為“Fruitveg”，這個即可作為Name；IOtype為效應量及數據模式的設置，如RRCL、ORCL、RRSE，分別表示效應量為RR且使用置信區間的數據模式、效應量為OR使用置信區間的模式、效應量為RR使用標準誤的模式；Method用于設置合并方法，如RE法、QE法等；Table則用于選擇數據表格范圍，如A1：D6表示選擇A1至D6這6行4列的數據進行Meta分析。根據這一函數語言，本示例用于普通Meta分析結果的宏如下：
=MAInputTable("Fruitveg","RRCI","RE",A2:D8)
用于QE法Meta分析結果的宏：
=MAInputTable("FruitvegQE","RRCI","QE",A2:E8)
因第一行為變量名，因此在選擇單元格范圍時，我們使用了A2。使用第二種宏輸入后，A10單元格會顯示“ Fruitveg ”，A11單元格會顯示“ FruitvegQE ”。注意第二個宏與第一個宏的數據區別在于最后一列，第一個宏并未包括Qi這一列的數據。在A10單元格輸入第一個宏，繼續直接點擊Output欄“ Results ”菜單，在彈出的窗口中選擇名為“ Fruitveg ”的選項（圖 2），即會出現基于RE模型Meta分析結果的森林圖（圖 3A）。
圖2
數據輸入及結果輸出窗口
圖3
Meta分析結果（A為RE模型下森林圖，B為QE模型下森林圖）
同樣在A11單元格輸入第二個宏，按相同操作，在彈出的窗口選擇名為“ FruitvegQE ”的選項，即可獲得基于QE法合并的Meta分析結果（圖 3B）。不難發現，QE法下每項研究權重與RE法存在較大差異，如第一個研究RE法下權重為25.7%，但在QE法下為61.3%，因為在QE法下樣本量大、偏倚風險小的研究會被分配更多的權重。
3 討論
本文詳細介紹了基于偏倚校正功能的QE模型，對相關方法學及軟件操作做了詳細描述；本文同時討論了傳統RE模型的缺陷，并通過示例對比了使用RE模型及QE模型下合并的結果。我們發現在示例中，RE模型合并的結果是陽性的，及攝入水果及蔬菜對某健康問題存在保護作用，而在QE模型中，結果是陰性的。充分說明了對偏倚的處理方法會很大程度上影響合并的結果。本示例中我們發現，RE模型下合并結果的置信區間范圍較QE模型小，因為本示例中納入研究異質性較大，而我們前面提到當異質性增大時，RE模型合并結果的置信區間覆蓋率是降低的 [6]。因此實際上在存在異質性的情況下，RE模型的結果并不“保守”，反而是過于肯定。
QE模型適用于各種類型的Meta分析，特別是基于觀察性研究的Meta分析。觀察性研究由于本身設計嚴謹性、實施過程精確性問題易引入混雜因素，導致結果的偏倚 [2]。偏倚的處理一直是循證醫學方法學領域較為棘手的問題 [13]。當前Cochrane手冊推薦的偏倚處理方法為使用質量評價量表報告偏倚風險 [1]。實際上報告偏倚風險無法在本質上解決偏倚對結果的影響，且傳統RE模型并未對偏倚風險校正或考慮將質量高（偏倚風險小）的研究給予更多的權重，因此合并的結果仍然存在偏倚風險 [4]。Doi的QE模型在倒方差法基礎上，根據質量評價量表量化研究結果的可信度，并引入質量校正元素，充分考慮了樣本量及研究質量兩方面因素進行權重分配，使合并結果偏向于高質量、大樣本量的研究，更接近于真實值。
當然QE模型仍存在一些缺陷：首先Qi值是人為根據質量評價量表獲得的，存在一定主觀性，其值的大小可能因人而異；其次，QE法對質量評價量表依賴度較高，當前的質量評價量表僅能反應研究部分質量，并無法完全反映研究質量，因此不同量表也可得出不同的Qi值；再次，QE法雖然在權重分配方面更為合理，其作用是使合并結果偏向更可信的研究，但并未對偏倚進行定量校正，導致最終異質性并未降低。當然，這也是未來QE法需要解決的問題。
鑒于該方法存在主觀風險，我們建議進行質量評價計算Qi值時應至少由2名相關領域專家獨立評價，以獲取更客觀的結果。QE加權方法使用更為合理的方法學及權重分配方式，避免了傳統RE模型下異質性越大置信區間覆蓋率降低的缺陷，它對傳統方法學是一種創新及挑戰，但對當前醫療衛生證據體系將產生積極的影響。
