「为什么同一批原始研究，两个团队能给出相差好几级的证据等级。」这是我这些年被问得最多的方法学问题。提问的人往往带着委屈：检索式查了三遍，纳入研究也逐篇读过，为什么还是被降级。我的回答通常只有一句：问题多半不在数据，而在从研究级走到证据体这条链的透明度。原始研究是一条一条的，证据体却是一个整体判断，中间要经过检索、偏倚评估、合成与分级四个环节。任何一环没有留痕，结论就无法被复核。
以循证方法学工作者的习惯，我通常会让作者先做三件事：把检索过程完整登记；把偏倚风险与报告质量分开评估；把每一条降级理由写成一句可核查的话。下面按这条链逐环拆开。
检索策略的可追溯性
系统评价（systematic review，按预设方案系统检索并综合某一问题全部相关研究）的第一步不是分析，是登记。我要求作者把三样东西写进附录：完整检索式、检索日期、每个数据库返回的结果条数。要能被第三方照抄复现，否则「我们进行了全面检索」在方法学上等于零。
检索式的质量可以用 PRESS（Peer Review of Electronic Search Strategies，检索策略同行评议清单）来审。McGowan 等在 J Clin Epidemiol 2016 年提出这份清单，2023 年又做了更新。审稿时最常见两类问题：把语言限定为英文；把灰色文献（grey literature，未在商业期刊正式发表的会议摘要、学位论文、注册平台结果等）整个排除。发表偏倚（publication bias，阳性结果更容易被发表从而夸大总体效应）几乎无法完全消除，但如果连找都不去找，就谈不上评估。检索式不可追溯最大的后果是选择性纳入：纳入与排除的边界说不清，读者无法判断这批研究是不是被挑出来的。PRISMA 2020 声明（Page MJ 等，BMJ 2021;372:n71）要求报告完整检索策略与筛选流程，正是为了让纳入过程可被复核。
偏倚风险、研究质量与报告质量不是一回事
三个词常混着用，在方法学上是三个不同的问题。
报告质量（reporting quality）问的是有没有写清楚，对应报告规范：随机对照试验用 CONSORT，系统评价用 PRISMA 2020，观察性研究用 STROBE。报告规范只管信息是否完整，不管结论对错。研究质量（study quality）边界模糊，常退化成笼统的「设计好不好」，无法操作化，我不建议在正式评价里使用。
偏倚风险（risk of bias）问的是结论有没有被系统性扭曲，这才是真正影响证据等级的那一个。随机对照试验用 RoB 2（Sterne JAC 等，BMJ 2019;366:l4898），非随机干预研究用 ROBINS-I（Sterne JAC 等，BMJ 2016;355:i4919）。两者走同一条判定路径：先回答若干信令问题（signalling questions，针对具体方法细节的是非题），再组合成领域级判定，最后汇总为总体判定。
这条路径不给单篇研究打一个笼统的分，而是分领域、分结局。同一篇试验，随机化过程可能低风险，结局测量却可能高风险。报告规范与偏倚工具不能互相替代：一篇 CONSORT 写得很规范的论文，仍可能因分配隐藏不充分而存在高偏倚风险；反过来，报告不完整也未必等于高偏倚风险。把「写得规范」当成「结论可靠」，是最常见的误读之一。
不一致性的来源拆解：I² 之外还要读什么
合并多项研究时，统计层面的不一致（inconsistency）通常用 I²（异质性指数，粗略表示研究间差异占总变异的比例）呈现。但 I² 受研究数量与精度影响，本身不说明差异有没有临床意义。
两种相反的误用都存在。大样本 Meta 里 I² 很高，作者据此直接降级，可当纳入研究很多时，I² 很容易被抬高，而各研究效应方向可能一致。反过来，只纳入三五项小研究，I² 接近零，于是被当作同质性的证据，而少数小研究的低 I² 反而可能掩盖真实差异。
除 I² 外还要读两组量：τ²（tau 平方，研究间真实效应方差的具体估计值）给出异质性的绝对量级；预测区间（prediction interval，反映换到一个新场景时真实效应可能落在什么范围）。如果预测区间跨过无效应线，就意味着在新环境里干预可能无效甚至有害，哪怕合并效应看起来显著。
更重要的是回到来源层面：临床异质性（人群、剂量、随访时长、结局定义）与方法学异质性（设计类型、偏倚风险高低）分别在哪里。逐条列出再判断能否合并、该不该做亚组或敏感性分析，比盯着一个 I² 数字可靠得多。Cochrane Handbook for Systematic Reviews of Interventions（Cochrane 协作网，2022 版）在合并与异质性一章给出了完整框架。
从研究级到证据体：GRADE 的升降级逻辑
这一节讲怎么把一篇篇研究合成对某个问题的整体判断。GRADE（Grading of Recommendations Assessment, Development and Evaluation，证据分级与推荐意见评估体系）是这一环节使用最广的框架，Guyatt GH 等在 BMJ 2008 年发表系列文章奠定基础，此后由 GRADE 工作组发布 GRADE guidelines 系列并维护 GRADE handbook。
最容易犯的错，是把 GRADE 当成给单篇研究打分。它不是。GRADE 以结局为单位评级：同一批研究、同一个问题，病死率的证据可能是中等级别，生活质量可能是低等级别，因为背后的研究数量、偏倚风险与精确度都不一样。所以问「这项研究是几级」本身就不成立，该问的是「这个结局上证据体的把握有多大」。
起步级别由设计决定：随机对照试验起始为高，观察性研究起始为低。五个降级因素是偏倚风险、不一致性、间接性（人群、干预、对照或结局与问题不直接对应）、不精确性（置信区间过宽或事件数太少）、发表偏倚；三个升级因素是效应量大、剂量-反应关系、可能混杂使真实效应被低估。
我通常会让作者把每个结局的升降级理由写成一句可核查的话，例如「病死率结局降一级，因三项研究的分配隐藏不充分，敏感性分析后效应变宽」。国家卫生健康委在《加强医学科研诚信专项治理的工作方案》（国卫办科教函〔2026〕19 号，2026 年 1 月 19 日）中，把 Retraction Watch 撤稿数据库、PubMed、Web of Science 列为撤稿论文监测来源；ICMJE《学术期刊学术工作的实施、报告、编辑与发表建议》2026 年 1 月更新版也对临床试验注册、数据可及性与 AI 使用声明提出要求。这些与 GRADE 的透明度精神属于同一条线索。
可复核性：把方法学留痕做进工作流
方法学落地时是一堆具体动作。我把这条链放到 DeepBio 上跑，分三站，每站都有明确的输入与输出物。
文献与证据整理：把研究问题、目标人群、干预与结局写成任务说明上传，让平台围绕这个研究问题整理已有发现、标出证据等级与主要风险提示，并给出后续验证路径。输出一份清单，要能看出已有研究集中在哪些人群与结局、哪些偏倚被反复提示、下一步最小可行的验证还缺什么。
临床研究辅助：围绕将要开展的临床研究，整理临床试验方案骨架、纳排标准、终点设计与监查要点，输出一份可拿到会上讨论的方案结构。
综述与论文写作：工作流是上传资料、结构化分析、复核迭代，把纳入研究清单、偏倚判定与分级理由一起上传，先生成综述框架，再按院校学位论文格式模板（如国内医药类院校的学位论文规范）统一标题层级、参考文献与引文格式。
一个具体到颗粒度的例子：把 12 篇纳入研究的信令问题答案逐条录入，让平台输出一张领域级判定表，再由两位评价者独立核对分歧，分歧项回到原文复核。意义不在于让工具替研究者下结论，而在于把分歧点显式摆到桌面上。DeepBio 是研究辅助工具，不替代专业判断；输出可能存在错误，应结合专业判断、原始资料与必要的实验验证使用。文中涉及健康与临床的内容仅为方法学讨论，不构成医疗建议。
方法学这条链上，你踩过最离谱的一次降级是什么。是检索式被质疑无法复现，还是异质性高到没法合并，抑或审稿人把报告清单当成了偏倚风险评估。欢迎在评论区留下那个理由的原文，我挑几个典型写法做一次方法学复盘。
标签：SCI #期刊投稿 #系统评价 #Meta 分析 #循证医学 #论文写作 #文献综述 #科研方法 #DeepBio
