GRADE 工作組針對網狀 Meta 分析（NMA）制訂了 GRADE 證據總結（SoF）表，目的是規范 NMA 結果的證據分級過程和結果展示。本文對 NMA-SoF 表的主要內容進行詳細介紹，并舉例說明 SoF 表的使用方法和注意事項。
混合模型框架下的模型，如潛變量增長混合模型（latent growth mixture modeling，LGMM）或潛類別增長分析（latent class growth analysis，LCGA），因估算過程中涉及多個決策過程，導致潛變量軌跡分析結果的報告呈現多樣性。為解決這一問題，指南制訂小組按照系統化的制訂流程，通過 4 輪德爾菲法調查，遵循專家小組意見，提出了各領域報告潛變量軌跡分析結果時需采用統一的標準，最終確定了報告軌跡研究結果必要的關鍵條目，發布了潛變量軌跡研究報告規范（guidelines for reporting on latent trajectory studies，GRoLTS），并利用 GRoLTS 評價了 38 篇使用 LGMM 或 LCGA 研究創傷后應激軌跡的論文的報告情況。
近十年，在藥品不良反應監測領域，基于醫療保健數據庫的安全信號檢測方法受到越來越多的關注，已成為彌補自發報告固有局限性的重要手段。目前數據挖掘方法主要基于比值失衡分析法（disproportionality analysis）、傳統藥物流行病學設計（如自身對照設計）、序列對稱分析（sequence symmetry analysis，SSA）、序貫統計檢驗（sequential statistical testing）、時序關聯規則（temporal association rules）、監督機器學習（supervised machine learning，SML）、樹狀掃描統計量方法（tree-based scan statistic）等。本文從應用場景和實用性角度對醫療保健數據庫中安全信號檢測方法及其性能進行介紹。
BMJ 在 2021 年 3 月發表了“診斷試驗準確性研究系統評價和 Meta 分析摘要報告規范”的清單及詳細說明，目的是為了提高相關研究摘要的報告質量。本文對診斷試驗準確性研究系統評價和 Meta 分析摘要的報告規范（PRISMA-DTA for abstracts）的 12 個報告條目進行介紹和解讀，為研究人員規范報告診斷試驗準確性研究系統評價和 Meta 分析摘要提供借鑒和參考。