系統評價作為循證醫學中較高等級證據，其制作方法相對成熟，但更新機制尚不完善。動態系統評價通過周期性獲取臨床證據，及時更新系統評價結果，能有效提高系統評價的時效性。本文從動態系統評價的產生、特點、適用情況、實施過程、應用現狀等幾個方面對其進行簡要介紹。
引用本文： 許吉, 鄧宏勇. 動態系統評價簡介. 中國循證醫學雜志, 2020, 20(2): 244-248. doi: 10.7507/1672-2531.201911016 復制
系統評價（systematic review，SR）是指針對具體問題，采用科學規范的方法全面收集、嚴格篩選、對納入證據質量進行評價和結局指標合并得出綜合可靠結果的研究方法[1]。SR 是高質量證據的來源，能為臨床醫生、患者及其決策者提供重要信息[2]。但是，目前的 SR 制作方法存在一些問題，主要是評價證據生成和更新的周期較長，導致 SR 結果在準確性和時效性上無法滿足臨床實際要求。有人統計，從最后一次文獻檢索到 SR 報告出版一般需要 1 年[3]，而從原始研究報告到 SR 出版，其中位時間在 2.5 到 6.5 年間[4]。一旦出版，只有少數 SR 會在 2 年內更新，未更新或緩慢更新的 SR 由于未能及時納入新的證據，導致其結論與臨床實施的結果有差異，甚至造成危害[5]。針對上述問題，Elliott 等[6]在 2014 年提出了動態系統評價（living systematic reviews，LSR），即通過定期頻繁更新，及時納入新證據的 SR。LSR 通過周期性地動態更新臨床證據，保證了 SR 結果的準確性、時效性和臨床實用性。因此在那些研究更新較快、新的證據不斷出現、新的結果可能會改變現有結論的領域，LSR 顯得尤為重要。LSR 提出后馬上得到業界響應，Cochrane 協作網在 2016 年成立并啟動Cochrane Living Evidence Network[7]，致力于 LSR 的統一規范、資源列表和成果發布。2017 年，Cochrane 協作網在 Journal of Clinical Epidemiology 發表了系列文章對 LSR 進行了較系統全面的闡述[8-11]。本文從 LSR 的特征區別、適用情況、實施過程和應用現狀等幾個方面進行簡要介紹。
1 概念和特點
LSR 與 SR 形式上的區別在于 SR 之前冠了形容詞“living”。“living”在英語詞典中，作為形容詞有兩個意思：① “alive now”，表示活著的、活的；② “used or practiced now”，表示正在使用、在實施的[12]。因此 LSR 本意為活躍狀態的 SR，結合 LSR 的主要目標是證據持續及時更新，本文將 LSR 暫譯為“動態系統評價”，以突出其證據持續及時更新之意。和傳統 SR 相比，LSR 在出版方式、工作流程、作者團隊管理和統計方法等方面有較大區別（表 1）。
表1
動態系統評價與傳統系統評價區別
LSR 在獲取最新結果上無疑具有優勢，但 LSR 頻繁更新也會帶來額外的工作量，因此建議以下幾種情況優先選用 LSR：① 將 SR 作為重要決策依據，此時 SR 結果對決策過程非常重要，且有必要使用持續更新獲得最新證據；② 評價等級為低或極低的現有證據，LSR 對于不能提供確定性證據可能有所幫助，納入的新信息可能改變 SR 的結果；③ LSR 尤其適合研究進展快速迭代、新證據層出不窮的領域。值得注意的是，選擇 LSR 方法后，并不代表需要一直使用，當上述條件不再具備，則可以考慮停止這種更新形式。
2 制作過程
LSR 作為一種強調證據更新的 SR，其制作過程和普通 SR 類似，包含準備、更新、發布等階段，但在具體實施中也有其特點（圖 1）[8]。
圖1
動態系統評價的實施過程[8]
2.1 準備階段
① 制定方案，LSR 方案在常規 SR 方案基礎上，重點描述每個數據源的檢索頻率，將新證據整合到 SR 中的原則和時機，以及可能采用的特殊 Meta 分析方法等；② 制作一篇完整的 SR，以作為后期持續更新的“基準”。它可以是全新制作的，也可以是更新后的現有 SR；③ 普通 SR 向 LSR 模式切換，這一動作通常發生在普通 SR 完成發布或更新那一刻。
2.2 更新階段
① 定期檢索，可充分利用數據庫的定期主題推送功能，對于無此功能的數據源，應通過人工進行定期檢索。不同數據源可根據其自身數據更新情況，采用不同的檢索頻率，例如每月檢索一次主要文獻庫，每季度檢索一次次要數據庫。② 評估新證據，定期檢索的結果分為有新證據產生和沒有新證據產生兩種情況。如果沒有新證據產生，那么只需要向最終用戶說明最后一次檢索時間和結果。如果有新證據產生，但是新證據尚不明確或者對現有 SR 影響不大，那么建議先不用納入現有結果，而是向最終用戶說明最后一次檢索時間、新證據的詳細信息及延遲納入的理由；如果產生的新證據經過分析確定新證據會影響 SR 結果，那么需要將其及時納入 SR，并向最終用戶展示最后一次檢索時間、新證據的詳細信息以及納入理由。③ 實施更新，一旦確定有新證據需納入，后續更新流程即可啟動，包括偏倚風險評估、數據提取與合成，以及更新后的結果及解讀等。更新過程的狀態和信息應向用戶披露，并及時發布更新結果。
2.3 發布階段
LSR 方案和“基準”SR 需要經過編輯評審和同行評議后發布。每次更新也需要發布相關信息或結果，但評審程序取決于每次評估新證據的結果，即沒有新證據可以簡化為編輯評審，延遲納入新證據需編輯評審和可選的同行評議，對于有新證據納入的情況，則明確需要編輯評審和同行評議流程。LSR 出版和傳播形式必須適應其頻繁更新的特點，如發布平臺應支持 F1000 Research 開放出版和 CrossRef 學術資源鏈接等。另外，LSR 出版要有合適的作者標注機制，全部作者需符合 ICMJE 規范，隨著參與人員的更迭，作者名單和致謝名單要發揮各自的功用。此外，需要維持恰當的更新出版頻率，出版頻率太高可能降低單篇引用率，而頻率太低會影響作者的學術成果產出。基于以上，Elliott 等推薦了 3 種可能的出版模式：① 以普通論文形式出版 SR，而定期更新信息在專門的獨立網站發布；② 以普通論文形式出版 SR 和定期更新信息，但后者沒有獨立的 DOI，也不能作為獨立的引用數據來源；③ SR 和定期更新打包以一種更制式化的形式（如 F1000 Research 平臺）出版。
3 統計方法
多數情況下，LSR 采用標準的 Meta 分析方法進行統計學分析，這樣的結果對于呈現最佳證據沒有問題，但如果將 LSR 的結果用于決策支持（臨床決策、實踐指南等）時，因為涉及到基于效應精確性（可信區間）的推薦強度計算等問題，此時就必須考慮統計學帶來的影響。通常來說，重復 Meta 分析會增加結果的 I 型錯誤（假陽性錯誤），而在樣本量不足的情況下也存在 II 型錯誤（假陰性錯誤）風險。為減少該風險，Simmonds 等[10]建議以下幾種統計學方法，這些方法也同樣應用在一般 SR 的更新中：① 試驗序貫分析（trial sequential analysis，TSA），TSA 將序貫分析思想引入標準 Meta 分析，通過修正每次分析的 α 值（α 分割界值法）以控制累積 I 型錯誤，并設定用于檢測預期效應量的最大所需樣本量來避免 II 型錯誤，TSA 采用 O’Brien-Fleming 分割 α 值估算樣本量[13]，Z 值（估計效應量除以標準誤差）標示效應方向，統計量 D2 表示異質性大小；② 序貫 Meta 分析（sequential meta-analysis，SMA）是一種類似 TSA 的序貫分析方法[14]，區別在于 SMA 計算累積 Z 值（加權效應量的累積和）和 V 值（權重倒數和）之比，并與預設的界值區間比較以標示效應方向和判斷終止 Meta 分析的時機；③ Shuster 法，該方法用 Pocock 分割 α 值取代 TSA 的 O’Brien-Fleming 分割[15]，并用修正 t 統計代替 Z 值；Shuster 法只用于控制 I 類錯誤，因此不需要預期效應量、統計效能和樣本量等統計信息，但需要合理估計更新次數；④ 重對數律法（law of the iterated logarithm，LIL）和上述三種修正 α 值的序貫方法不同，LIL 通過調整統計量 Z 來維持 α 在持續更新過程中不越界（通常是 5%）；LIL 法只用于控制 I 類錯誤，因此不需要預期效應量、統計效能和樣本量等統計信息[16]。
網狀分析的更新雖然其統計學方法同樣遵循一致性假設下的 α 分割界值原則，和普通 Meta 分析的差別主要是計算復雜度的增加，但需要注意的是，網狀分析的一致性假設在每次更新后都要重新評估，而在網狀 Meta 分析初期納入研究數較少的情況下，這樣做并不容易。
4 組織、技術和影響
和普通 SR 相比，LSR 需要持續完成檢索、篩選、評價和分析等任務，因而更需要強化項目團隊的組織和管理，團隊成員相對普通 SR 作者團隊更穩定并能根據實際需要進行調整，再加上有明晰的文檔支持，如此更能保證更新過程中證據評價決策的一致性。
LSR 的可行性和可持續性很大程度上取決于制作和更新過程的效率，當前計算機輔助 SR 技術與人工相結合，有助于提升 SR 制作效率[17-18]。借助文本挖掘、機器學習等技術，評價人員可以用軟件實現定期檢索、評價、篩選文獻和獲取全文，并自動提取數據，完成偏倚風險評估等工作[19-21]。這些技術同樣可以在普通 SR 制作過程中使用。此外，一種被稱為“眾包（crowd sourcing）”的在線協作模式也能提高 LSR 的制作效率，即利用網絡社區聚集的大量人力資源，將分拆后的 SR 更新任務有組織地發布，由眾多作者同步快速完成。盡管上述自動化技術和眾包模式還不夠成熟，但它們的發展和應用將為實現 LSR 持續及時更新提供更大的可能[9]。
制作臨床實踐指南是 SR 證據的重要應用，LSR 提供及時更新高質量證據無疑將推動臨床指南向動態指南（living guidelines，LG）邁出關鍵一步[11]。傳統指南通常采用周期較長的整體更新模式，不能及時采納最新局部證據；動態指南則優化了指南制定更新過程，使用基于動態更新的 SR 結果，及時獨立更新每一條推薦，因此保證最終用戶始終能得到最佳的決策支持。
5 應用情況
LSR 方法最早于 2014～2015 年間在 CENTER-TBI 項目中得到應用[22]，CENTER-TBI 是一個致力于改善創傷性腦損傷（traumatic brain injuries，TBI）表征、分類和管理的大型多國合作項目。項目組開發和維護了一個國際 TBI 知識社區，用于維持最新的知識狀態，產生高質量 LSR。CENTER-TBI LSR 項目作者團隊由接受過強化 SR 培訓的臨床醫生、研究人員和研究生組成，并由具有 SR 專業知識的指定項目官員提供方法支持，此外還有一個審核小組對方案和 SR 稿件進行審核。SR 制作方法按照標準流程執行，如在 PROSPERO 上發布方案，遵循 PRISMA 規范等。在 SR 發布后，這些傳統 SR 將切換為 LSR，每三個月搜索更新一次，篩選提取新的研究證據進行嚴格評估，審核小組將決定是否采納新證據以修正 SR 結論，并在 CENTER-TBI 網站上不斷更新。
在現有的 LSR 文獻中，多數作者選擇將原有的 SR 轉化成 LSR。Badgett 等[23]對來源于 Cochrane 的 SR 文獻進行了更新，該文是 Zhang 等[24]2013 年撰寫，關于霧化高滲鹽水治療嬰幼兒急性毛細支氣管炎的 SR。Badgett 利用 LSR 的方法對這篇文獻進行了更新，但未提及更新頻率，他建議將 LSR 的過程數據在 GitHub 或 Systematic Review Data Repository 上托管。另一個 Cochrane SR 轉換為 LSR 的例子是 Hodder 等[25]關于兒童時期水果和蔬菜攝入量影響因素的 SR，這一 SR 起始于 2010 年，經多次更新其結論均是：能夠增加 5 歲及以下兒童食用水果和蔬菜的有效干預措施證據很少，多種干預措施似乎增加了兒童的蔬菜攝入量，但這一結論基于非常低質量的證據，并且在未來的研究中很可能因新研究證據而改變。在 2017 年 9 月發布第三次更新中，作者將其轉換成 LSR，明確每月檢索更新一次的 LSR 方案，期望通過 LSR 方法及時納入新證據，盡早得到確切結果。
6 結語
循證醫學自上世紀九十年代提出以來，逐漸發展成熟，對臨床醫學發展起到了革命性的推動作用，其中 SR 為療效評估、指南制定等評價決策活動提供了最優的證據支持。隨著臨床證據大量涌現，以及臨床決策對于時效性的更高要求，傳統的 SR 方法由于人力時間消耗巨大、制作更新周期冗長而受到重新審視，人們亟需一種優化的更新策略以快速及時反映最新成果，LSR 應運而生。同時，LSR 也是計算機自動化技術發展的產物，由于頻繁更新，LSR 所承載的工作量和對效率要求相對于傳統 SR 大大提升，因此計算機輔助并逐漸取代人工完成檢索、篩選、評價等任務，是 LSR 發展和完善的必經之路。LSR 的出現為及時決策提供了方法學支持，相信在不久的將來，基于 LSR 的動態指南將作為輔助決策的有力工具，推動臨床診療水平的進一步提高。
系統評價（systematic review，SR）是指針對具體問題，采用科學規范的方法全面收集、嚴格篩選、對納入證據質量進行評價和結局指標合并得出綜合可靠結果的研究方法[1]。SR 是高質量證據的來源，能為臨床醫生、患者及其決策者提供重要信息[2]。但是，目前的 SR 制作方法存在一些問題，主要是評價證據生成和更新的周期較長，導致 SR 結果在準確性和時效性上無法滿足臨床實際要求。有人統計，從最后一次文獻檢索到 SR 報告出版一般需要 1 年[3]，而從原始研究報告到 SR 出版，其中位時間在 2.5 到 6.5 年間[4]。一旦出版，只有少數 SR 會在 2 年內更新，未更新或緩慢更新的 SR 由于未能及時納入新的證據，導致其結論與臨床實施的結果有差異，甚至造成危害[5]。針對上述問題，Elliott 等[6]在 2014 年提出了動態系統評價（living systematic reviews，LSR），即通過定期頻繁更新，及時納入新證據的 SR。LSR 通過周期性地動態更新臨床證據，保證了 SR 結果的準確性、時效性和臨床實用性。因此在那些研究更新較快、新的證據不斷出現、新的結果可能會改變現有結論的領域，LSR 顯得尤為重要。LSR 提出后馬上得到業界響應，Cochrane 協作網在 2016 年成立并啟動Cochrane Living Evidence Network[7]，致力于 LSR 的統一規范、資源列表和成果發布。2017 年，Cochrane 協作網在 Journal of Clinical Epidemiology 發表了系列文章對 LSR 進行了較系統全面的闡述[8-11]。本文從 LSR 的特征區別、適用情況、實施過程和應用現狀等幾個方面進行簡要介紹。
1 概念和特點
LSR 與 SR 形式上的區別在于 SR 之前冠了形容詞“living”。“living”在英語詞典中，作為形容詞有兩個意思：① “alive now”，表示活著的、活的；② “used or practiced now”，表示正在使用、在實施的[12]。因此 LSR 本意為活躍狀態的 SR，結合 LSR 的主要目標是證據持續及時更新，本文將 LSR 暫譯為“動態系統評價”，以突出其證據持續及時更新之意。和傳統 SR 相比，LSR 在出版方式、工作流程、作者團隊管理和統計方法等方面有較大區別（表 1）。
表1
動態系統評價與傳統系統評價區別
LSR 在獲取最新結果上無疑具有優勢，但 LSR 頻繁更新也會帶來額外的工作量，因此建議以下幾種情況優先選用 LSR：① 將 SR 作為重要決策依據，此時 SR 結果對決策過程非常重要，且有必要使用持續更新獲得最新證據；② 評價等級為低或極低的現有證據，LSR 對于不能提供確定性證據可能有所幫助，納入的新信息可能改變 SR 的結果；③ LSR 尤其適合研究進展快速迭代、新證據層出不窮的領域。值得注意的是，選擇 LSR 方法后，并不代表需要一直使用，當上述條件不再具備，則可以考慮停止這種更新形式。
2 制作過程
LSR 作為一種強調證據更新的 SR，其制作過程和普通 SR 類似，包含準備、更新、發布等階段，但在具體實施中也有其特點（圖 1）[8]。
圖1
動態系統評價的實施過程[8]
2.1 準備階段
① 制定方案，LSR 方案在常規 SR 方案基礎上，重點描述每個數據源的檢索頻率，將新證據整合到 SR 中的原則和時機，以及可能采用的特殊 Meta 分析方法等；② 制作一篇完整的 SR，以作為后期持續更新的“基準”。它可以是全新制作的，也可以是更新后的現有 SR；③ 普通 SR 向 LSR 模式切換，這一動作通常發生在普通 SR 完成發布或更新那一刻。
2.2 更新階段
① 定期檢索，可充分利用數據庫的定期主題推送功能，對于無此功能的數據源，應通過人工進行定期檢索。不同數據源可根據其自身數據更新情況，采用不同的檢索頻率，例如每月檢索一次主要文獻庫，每季度檢索一次次要數據庫。② 評估新證據，定期檢索的結果分為有新證據產生和沒有新證據產生兩種情況。如果沒有新證據產生，那么只需要向最終用戶說明最后一次檢索時間和結果。如果有新證據產生，但是新證據尚不明確或者對現有 SR 影響不大，那么建議先不用納入現有結果，而是向最終用戶說明最后一次檢索時間、新證據的詳細信息及延遲納入的理由；如果產生的新證據經過分析確定新證據會影響 SR 結果，那么需要將其及時納入 SR，并向最終用戶展示最后一次檢索時間、新證據的詳細信息以及納入理由。③ 實施更新，一旦確定有新證據需納入，后續更新流程即可啟動，包括偏倚風險評估、數據提取與合成，以及更新后的結果及解讀等。更新過程的狀態和信息應向用戶披露，并及時發布更新結果。
2.3 發布階段
LSR 方案和“基準”SR 需要經過編輯評審和同行評議后發布。每次更新也需要發布相關信息或結果，但評審程序取決于每次評估新證據的結果，即沒有新證據可以簡化為編輯評審，延遲納入新證據需編輯評審和可選的同行評議，對于有新證據納入的情況，則明確需要編輯評審和同行評議流程。LSR 出版和傳播形式必須適應其頻繁更新的特點，如發布平臺應支持 F1000 Research 開放出版和 CrossRef 學術資源鏈接等。另外，LSR 出版要有合適的作者標注機制，全部作者需符合 ICMJE 規范，隨著參與人員的更迭，作者名單和致謝名單要發揮各自的功用。此外，需要維持恰當的更新出版頻率，出版頻率太高可能降低單篇引用率，而頻率太低會影響作者的學術成果產出。基于以上，Elliott 等推薦了 3 種可能的出版模式：① 以普通論文形式出版 SR，而定期更新信息在專門的獨立網站發布；② 以普通論文形式出版 SR 和定期更新信息，但后者沒有獨立的 DOI，也不能作為獨立的引用數據來源；③ SR 和定期更新打包以一種更制式化的形式（如 F1000 Research 平臺）出版。
3 統計方法
多數情況下，LSR 采用標準的 Meta 分析方法進行統計學分析，這樣的結果對于呈現最佳證據沒有問題，但如果將 LSR 的結果用于決策支持（臨床決策、實踐指南等）時，因為涉及到基于效應精確性（可信區間）的推薦強度計算等問題，此時就必須考慮統計學帶來的影響。通常來說，重復 Meta 分析會增加結果的 I 型錯誤（假陽性錯誤），而在樣本量不足的情況下也存在 II 型錯誤（假陰性錯誤）風險。為減少該風險，Simmonds 等[10]建議以下幾種統計學方法，這些方法也同樣應用在一般 SR 的更新中：① 試驗序貫分析（trial sequential analysis，TSA），TSA 將序貫分析思想引入標準 Meta 分析，通過修正每次分析的 α 值（α 分割界值法）以控制累積 I 型錯誤，并設定用于檢測預期效應量的最大所需樣本量來避免 II 型錯誤，TSA 采用 O’Brien-Fleming 分割 α 值估算樣本量[13]，Z 值（估計效應量除以標準誤差）標示效應方向，統計量 D2 表示異質性大小；② 序貫 Meta 分析（sequential meta-analysis，SMA）是一種類似 TSA 的序貫分析方法[14]，區別在于 SMA 計算累積 Z 值（加權效應量的累積和）和 V 值（權重倒數和）之比，并與預設的界值區間比較以標示效應方向和判斷終止 Meta 分析的時機；③ Shuster 法，該方法用 Pocock 分割 α 值取代 TSA 的 O’Brien-Fleming 分割[15]，并用修正 t 統計代替 Z 值；Shuster 法只用于控制 I 類錯誤，因此不需要預期效應量、統計效能和樣本量等統計信息，但需要合理估計更新次數；④ 重對數律法（law of the iterated logarithm，LIL）和上述三種修正 α 值的序貫方法不同，LIL 通過調整統計量 Z 來維持 α 在持續更新過程中不越界（通常是 5%）；LIL 法只用于控制 I 類錯誤，因此不需要預期效應量、統計效能和樣本量等統計信息[16]。
網狀分析的更新雖然其統計學方法同樣遵循一致性假設下的 α 分割界值原則，和普通 Meta 分析的差別主要是計算復雜度的增加，但需要注意的是，網狀分析的一致性假設在每次更新后都要重新評估，而在網狀 Meta 分析初期納入研究數較少的情況下，這樣做并不容易。
4 組織、技術和影響
和普通 SR 相比，LSR 需要持續完成檢索、篩選、評價和分析等任務，因而更需要強化項目團隊的組織和管理，團隊成員相對普通 SR 作者團隊更穩定并能根據實際需要進行調整，再加上有明晰的文檔支持，如此更能保證更新過程中證據評價決策的一致性。
LSR 的可行性和可持續性很大程度上取決于制作和更新過程的效率，當前計算機輔助 SR 技術與人工相結合，有助于提升 SR 制作效率[17-18]。借助文本挖掘、機器學習等技術，評價人員可以用軟件實現定期檢索、評價、篩選文獻和獲取全文，并自動提取數據，完成偏倚風險評估等工作[19-21]。這些技術同樣可以在普通 SR 制作過程中使用。此外，一種被稱為“眾包（crowd sourcing）”的在線協作模式也能提高 LSR 的制作效率，即利用網絡社區聚集的大量人力資源，將分拆后的 SR 更新任務有組織地發布，由眾多作者同步快速完成。盡管上述自動化技術和眾包模式還不夠成熟，但它們的發展和應用將為實現 LSR 持續及時更新提供更大的可能[9]。
制作臨床實踐指南是 SR 證據的重要應用，LSR 提供及時更新高質量證據無疑將推動臨床指南向動態指南（living guidelines，LG）邁出關鍵一步[11]。傳統指南通常采用周期較長的整體更新模式，不能及時采納最新局部證據；動態指南則優化了指南制定更新過程，使用基于動態更新的 SR 結果，及時獨立更新每一條推薦，因此保證最終用戶始終能得到最佳的決策支持。
5 應用情況
LSR 方法最早于 2014～2015 年間在 CENTER-TBI 項目中得到應用[22]，CENTER-TBI 是一個致力于改善創傷性腦損傷（traumatic brain injuries，TBI）表征、分類和管理的大型多國合作項目。項目組開發和維護了一個國際 TBI 知識社區，用于維持最新的知識狀態，產生高質量 LSR。CENTER-TBI LSR 項目作者團隊由接受過強化 SR 培訓的臨床醫生、研究人員和研究生組成，并由具有 SR 專業知識的指定項目官員提供方法支持，此外還有一個審核小組對方案和 SR 稿件進行審核。SR 制作方法按照標準流程執行，如在 PROSPERO 上發布方案，遵循 PRISMA 規范等。在 SR 發布后，這些傳統 SR 將切換為 LSR，每三個月搜索更新一次，篩選提取新的研究證據進行嚴格評估，審核小組將決定是否采納新證據以修正 SR 結論，并在 CENTER-TBI 網站上不斷更新。
在現有的 LSR 文獻中，多數作者選擇將原有的 SR 轉化成 LSR。Badgett 等[23]對來源于 Cochrane 的 SR 文獻進行了更新，該文是 Zhang 等[24]2013 年撰寫，關于霧化高滲鹽水治療嬰幼兒急性毛細支氣管炎的 SR。Badgett 利用 LSR 的方法對這篇文獻進行了更新，但未提及更新頻率，他建議將 LSR 的過程數據在 GitHub 或 Systematic Review Data Repository 上托管。另一個 Cochrane SR 轉換為 LSR 的例子是 Hodder 等[25]關于兒童時期水果和蔬菜攝入量影響因素的 SR，這一 SR 起始于 2010 年，經多次更新其結論均是：能夠增加 5 歲及以下兒童食用水果和蔬菜的有效干預措施證據很少，多種干預措施似乎增加了兒童的蔬菜攝入量，但這一結論基于非常低質量的證據，并且在未來的研究中很可能因新研究證據而改變。在 2017 年 9 月發布第三次更新中，作者將其轉換成 LSR，明確每月檢索更新一次的 LSR 方案，期望通過 LSR 方法及時納入新證據，盡早得到確切結果。
6 結語
循證醫學自上世紀九十年代提出以來，逐漸發展成熟，對臨床醫學發展起到了革命性的推動作用，其中 SR 為療效評估、指南制定等評價決策活動提供了最優的證據支持。隨著臨床證據大量涌現，以及臨床決策對于時效性的更高要求，傳統的 SR 方法由于人力時間消耗巨大、制作更新周期冗長而受到重新審視，人們亟需一種優化的更新策略以快速及時反映最新成果，LSR 應運而生。同時，LSR 也是計算機自動化技術發展的產物，由于頻繁更新，LSR 所承載的工作量和對效率要求相對于傳統 SR 大大提升，因此計算機輔助并逐漸取代人工完成檢索、篩選、評價等任務，是 LSR 發展和完善的必經之路。LSR 的出現為及時決策提供了方法學支持，相信在不久的將來，基于 LSR 的動態指南將作為輔助決策的有力工具，推動臨床診療水平的進一步提高。
