網狀 Meta 分析的最大優勢在于可量化比較針對同一疾病的不同干預措施，并按某一指標對其優劣進行排序。多種干預措施的納入增加了網狀 Meta 分析結果解讀的復雜性，僅基于排序結果進行解讀可能會存在誤導性。目前，對網狀 Meta 分析結果的解讀尚無公認的標準。2020 年 11 月，GRADE 工作組基于網狀 Meta 分析的 GRADE 分級結果，提出了 2 種網狀 Meta 分析結論形成的方法：部分背景化框架（partially contextualised framework）和最小背景化框架（minimally contextualised framework）。本文結合具體實例，旨在對最小背景化框架的方法、原理和步驟進行介紹，以期為網狀 Meta 分析制作者采用該方法呈現和解讀結果提供指導。