企业官网建设流程全解析

简介：Cochrane系统评价及ReviewManager软件简介课件，是一份面向医学科研人员、临床医师和循证医学初学者的教学材料，系统梳理了系统评价与综述、Meta分析的边界，阐述了循证医学证据的分级体系以及Cochrane协作组织的发展历程，并介绍RevMan软件在数据录入、统计合并和绘制森林图等方面的具体用途，能帮助需要开展系统评价选题、理解随机对照试验证据应用或学习Meta分析工具的用户快速入门。资源包包含1个PPT演示文件，总大小807KB，内容精炼有序，适合课堂讲解、科室培训或自学浏览，目前已有88人学习，在循证医学教学与科研方法学习场景中具有一定参考价值。通过这份材料，读者可以掌握系统评价的基本制作流程，了解Cochrane系统评价的纳入标准、质量评价和证据分级，并熟悉RevMan软件的操作逻辑，从而为后续规范开展系统评价或进一步学习Meta分析打下基础。课件还提及Archie Cochrane与David Sackett等学者对循证医学的推动，以及Cochrane中心的建立背景，有助于理解系统评价在循证决策中的核心地位。

1. Cochrane 系统评价与 Review Manager：这套课件到底解决什么问题

拿到“Cochrane 系统评价及 Review Manager 软件简介课件”这个题目时，我先想到的不是软件界面，而是上周又遇到的一类提问：有人把两篇随机对照试验的 P 值放在一起，告诉我他做完了 meta 分析。真正让他停下来的不是统计计算，而是方法流程和工具之间的断层。Cochrane 系统评价是循证医学里公认的证据综合标准，Review Manager（通常叫 RevMan）则是把这一套流程落到操作界面的配套工具。

这套课件的价值，就是消除“方法归方法、软件归软件”的割裂感。它把系统评价从概念层拉到操作层：从 PICO 结构化提问、文献筛选记录、偏倚风险判断，到用 RevMan 录入数据并生成森林图。适合两类人：一是即将开始第一篇系统评价的研究生和临床科研人员，二是要给团队讲循证方法的带教者。课程按“方法先行、软件跟上”推进，接下来我们沿着这条主线逐段展开，重点放在能直接照做的部分。

2. 方法先行：Cochrane 系统评价的流程设计与资料准备

2.1 PICO 研究问题与纳入标准：先写方案再碰软件

Cochrane 系统评价与普通综述最本质的区别，是它在检索文献之前就把研究问题、纳入标准、分析方法都写成方案。这套思路讲的是“先定靶子再开枪”，避免文献越查越多、问题越改越偏。很多初学者的第一反应是直接打开 PubMed 检索，然后抱着几百篇摘要开始分类，最后发现纳入标准前后不一致，只能推倒重来。正确顺序恰恰相反：先把 PICO 填满，再生成检索策略。

PICO 是四个维度的缩写，教学时我会让学员按下面这张表逐格填写，填不满就不允许进入下一步：

这张表填完后，把 PICO 直接翻译成纳入标准。比如“纳入成人 2 型糖尿病”“干预组使用某药物”“对照组不做限制”“至少报告一项主要结局”，同时写明排除标准：排除妊娠糖尿病、排除联合用药研究、排除个案报道和叙述性综述。这一步看似繁琐，却是后期写 PRISMA 流程图和做亚组分析的根本依据。

在操作层面，我建议打开 RevMan 后先新建一个空白综述，把背景、目标、纳入标准直接填到“综述正文”对应的结构化章节里。RevMan 本身就按 Cochrane 综述的章节顺序排好了标题层级，这样写出的方案天然符合提交规范，还能避免后期在 Word 里重排格式。搜索式不必在软件里写死，但检索结果管理一定要单独留文件夹，后面筛文献要用。

2.2 文献筛选与数据提取：先搭表再读全文

文献筛选的顺序一般是这样：数据库检索结果合并去重，然后按标题和摘要筛第一轮，获取全文后筛第二轮，最后留下符合纳入标准的研究。工作量大时，很多人会凭印象填写排除理由，等到写 PRISMA 流程图时才发现说不清某篇文献到底为什么被排除。常见做法是准备一张筛选记录表，字段至少包括：文献编号、第一作者、年份、数据库来源、标题、摘要筛选结论、全文筛选结论、排除原因。

数据提取是系统评价里最耗时也最容易出错的环节。我习惯让学员准备一个独立电子表格，字段设计成下面这样的粒度：

这张表承载的量远大于 RevMan 最终的输入内容。RevMan 的数据表只是把每项研究的效应数据填进去，而电子表格还要记录“为什么取这个值”“换算过程是什么”。我见过太多人跳过这一步，直接在软件里录入数字，结果原始文献和数据表对不上时，又得回去一篇篇翻 PDF。建议把数据提取表与偏倚风险评估表分开两个标签页，用两天时间各独立填一遍，再对比差异。

2.3 偏倚风险评估：五个领域与两个容易忽略的坑

Cochrane 干预性系统评价使用的偏倚风险评估工具，按“随机化过程”“偏离既定干预”“结局数据缺失”“结局测量”“结果选择性报告”五个领域逐项判断，每项结论可以是低风险、高风险或有一定顾虑。RevMan 内置了偏倚风险表格和对应的图形汇总，这也是 Cochrane 综述区别于一般 meta 分析的重要标志，教学时必须单独留出一段时间讲解。

第一个容易踩的坑，是把文献里出现“随机”两个字就判为低风险。随机二字并不等于随机化方案完善，只有文献写明了随机序列的产生方式、分配隐藏的执行手段，才有资格判低风险；只写了“随机分组”的，应判为一定顾虑或不清楚。培训时我会反复强调一个标准：判断依据是文献描述的方法，不是研究者的态度。

第二个坑，是偏倚风险评估与数据提取混在同一个阅读过程中。读第一篇全文时顺手打高低风险，读第二篇时已经把前面的判断标准忘了，最后各篇的判定尺度不一致。解决办法是把两步拆开：第一遍只提取数据，第二遍专门逐篇评估偏倚，评估时先列出统一判断口径再动手。高风险研究不用急着排除，它还会参与后续的敏感性分析，这一点在第五章还会再讲。

3. Review Manager 的界面与建综述流程

3.1 界面大纲树：五个核心区域怎么找

启动 RevMan 后，许多人第一反应是找不到“分析”按钮，因为在它的界面里，核心不是工具栏，而是左侧的大纲树。树状结构从上到下大概是“综述正文、纳入研究、比较和结局、图表、表格”几个大区。对整个 meta 分析流程来说，打交道最多的是“纳入研究”和“比较和结局”这两个区域，其余是结果呈现和辅助表格。

“综述正文”区存放标题、背景、目标、方法、结果、讨论等文字内容，相当于把 Word 综述搬进了软件；“纳入研究”区负责登记每篇文献的基本信息和偏倚风险；“比较和结局”区才是做统计合并的地方。三类文档容易忽视的关系是：正文提供叙述，研究区提供数据来源，结局区提供计算结果，三者通过节点一一关联。

初次上手的学员最好先在“综述正文”里把标题和纳入标准填好，再进入“纳入研究”添加文献，最后才打开“比较和结局”创建分析。这个顺序和系统评价的方法流程一致，用熟了会发现它比在 Word 和统计软件之间来回切换高效得多。需要说明的是，RevMan 不是万能的统计工具，它主要服务于 Cochrane 类系统评价的标准流程，非常规设计的数据处理还是要在外部完成后再导入。

3.2 新建综述与比较：第一步操作要做什么

创建一份新综述按以下步骤走：

1. 启动后选择新建综述，再选择“干预性综述”模板。
2. 在标题页填写 PICO 结构化标题，比如“某药物与安慰剂治疗成人 2 型糖尿病的随机对照试验系统评价”。
3. 进入“综述正文”的“方法”章节，把方案里的检索策略、纳入标准、数据分析方法复制进去。
4. 将文件保存为 .rm5 格式，文件名建议用日期加缩写，例如“20250115_diabetes_metformin”。

选择干预性综述还是诊断准确性综述，会直接影响后续数据结构。干预性综述使用传统比较和结局框架，诊断类综述则需要录入敏感度、特异度等矩阵数据，操作界面完全不同。新手第一次实践建议选干预性综述，因为这类研究数量最多、文献模板最标准，学完就能应对绝大多数工作场景。

新建完成后，先在“比较和结局”区域新建一个比较。比较的本质是定义“谁和谁比”，名称可以写成“某药物 与 安慰剂”。一个综述可以有多个比较，每个比较下可以挂多个结局，比如主要结局一个、次要结局若干。千万不要把一个比较里混入两种对照方式，例如同时比较药物与安慰剂和药物与饮食干预，那样后续的森林图会变得极难解释。

3.3 “纳入研究”和“结局数据”是两回事

这一节是整份课件里最容易讲乱的地方。很多学员在“纳入研究”区域添加了文献标题，填好了出版年份，便以为数据录入完成了，结果打开森林图一片空白。事实上，RevMan 把“纳入研究的基本信息”和“某结局中的效应数据”分开存放，两者缺一不可。

“纳入研究”区域记录的是每篇研究的属性信息，包括作者、年份、样本量、干预措施、偏倚风险判断，这些数据组成研究特征表，但不参与统计合并。“结局数据”则由每一个具体的结局节点承载，只有把某篇研究“添加研究数据”到该结局下，它的效应量才会出现在森林图里。

我用一个比喻来解释：研究区是花名册，记录每位成员的基本资料；结局区是比赛成绩表，比赛当天谁上场了、成绩多少，必须另外登记。想在哪张成绩表上看到某成员，就得把他添加进那张表。理解了这一层，第五章“森林图空白”的问题就解决了一半。

4. 在 RevMan 里做 Meta 分析：从数据录入到森林图

4.1 二分类结局数据录入与效应量选择

二分类结局是最常见的录入类型，对应指标通常是有或没有，比如死亡、复发、血糖达标率。新建一个结局时，在“结局类型”里选择“二分类”，然后添加研究数据，软件会弹出一个矩阵表格，逐行填写每组的“事件数”和“总例数”。以某药物系统的三个模拟研究为例，数据表会长这样：

填入后，RevMan 会立即计算每项研究的效应量、权重和 95% 置信区间，并自动绘制森林图。这里有几个参数需要在“结局属性”里设置：效应量选比值比 OR、风险比 RR 还是危险差 RD，统计模型选固定效应或随机效应，分析名称建议写成“主要分析”或“敏感性分析”。

默认情况下，二分类资料固定效应模型常采用 Mantel-Haenszel 法，随机效应模型则用 DerSimonian-Laird 法。初学者只需记住：先按方案预设的模型运行，再用另一种模型做敏感性分析，不要根据结果反推模型选择。如果某项研究只报告了效应量和置信区间，没有给出原始事件数，可以切换到“效应量”录入模式，直接填充对数效应值及其标准误，但不建议在一项分析里混用两种数据来源。

4.2 连续结局录入与单位统一

临床证据里很多结局是连续变量，例如血压下降值、抑郁量表得分、住院天数。当所有研究采用相同量表和单位时，结局类型选“连续变量”，录入每组样本量、均值、标准差。RevMan 会计算均差 MD 及置信区间。若各研究量表不同，例如有的用汉密尔顿抑郁量表，有的用贝克抑郁量表，则应选择标准化均差 SMD，把不同量表的差异归一化。

录入之前，单位统一是必须做的一步。血糖值用 mg/dL 还是 mmol/L、血压用 mmHg 还是 kPa，看似简单却频繁出错。正确的做法是：在外部数据提取表里先完成单位换算，再粘贴进 RevMan，而不是进入软件后再口头换算。一个学员曾经把 mg/dL 的数值当作 mmol/L 输入，统计结果显示干预组血糖暴增十几倍，他还以为是自己发现了严重不良反应，这类乌龙完全可以通过录入前检查避免。

原始文献若只报告中位数和四分位数，不能直接当作均值录入。常见做法是利用公开的估算公式从样本量、中位数、四分位距推算出均值和标准差，但这种方法有适用前提，且不如直接联系作者索取原始数据可靠。同一结局中，部分研究报终值、部分研究报变化值，也应尽量避免混用；如果实在无法统一，就把两种类型分别做成两个结局，再比较结果是否一致。

4.3 森林图与异质性参数：权重、I² 与模型

森林图是系统评价最直观的输出，教学时必须逐元素拆解。每条横线代表一项研究的置信区间，方块大小表示该研究在合并中的权重，方块越大说明数据越稳定；最下方的菱形是合并效应量，菱形越窄，结果越有把握。权重由事件数和样本量共同决定，并非研究数量越多权重越高。

异质性判断看两个核心指标：I² 统计量和异质性 P 值。I² 描述研究间变异占总变异的百分比，25% 左右算低、50% 左右算中、75% 以上算高，但这个界限只是经验值，不是绝对标准。P 值小于 0.10 时通常认为异质性有统计学意义。如果 I² 高，正确反应不是立刻滑到随机效应模型，而是先找原因：是干预方案剂量不同，还是随访时长不一致，还是偏倚风险差异大。

RevMan 中切换随机效应模型后，置信区间通常会变宽，且小研究的权重会相对增大。把两种模型的结果放在一起看，如果结论方向一致，说明结果较稳健；如果结论翻转，说明证据链脆弱，需要下结论时留足余地。这一节我会让学员亲自做一次“先固定后随机”的对比，比讲十遍理论都管用。

5. RevMan 使用中的五个高频问题与排查方法

5.1 研究已添加，森林图却空白

现象：在“纳入研究”区添加了几篇文献，正文也能引用，但打开某个结局的森林图，图上没有任何数据行。 原因：研究信息和结局数据是独立存储的，只在研究区登记文献，不等于把该研究的数据加入了当前结局。 解决：在左侧“比较和结局”下找到目标结局，右键选择“添加研究数据”，勾选需要纳入的研究，然后逐项填写事件数和总例数。填写完成后保存并关闭数据表，森林图才会自动刷新。

5.2 死亡率结局的效应方向经常搞反

现象：结局指标是死亡，干预组死亡人数更少，但森林图显示的比率比或优势比大于 1，看起来像干预增加了死亡风险。 原因：RevMan 只按录入的事件数和方向设置绘图，不会自动理解“死亡是坏事还是好事”。若结局属性中方向设置为“有利于对照组”，图形方向和文字结论会对不上。 解决：创建结局时就要在属性里设置方向，例如“有利于试验组”，并在录入前判断事件是“发生死亡”还是“未发生死亡”。通常在正式分析前，我会先单独看一篇研究的数据行，确认方向和原始文献一致，再批量录入其余研究。

5.3 高风险偏倚研究带来的合并“冲动”

现象：纳入的研究里有一部分偏倚风险偏高，合并后总体效应被拉向一个方向，有人直接把这些研究删掉再合并。 原因：主观删除会让结论失去客观性，相当于结果选择性报告。 解决：方案阶段就写明主要分析纳入全部研究，再预设敏感性分析排除高风险研究。在 RevMan 中新建一个结局作为“次要分析”，只添加低偏倚风险研究的数据，两部分结果共同呈现。若排除后结论翻转，这不是数据问题，而是证据可靠性问题，讨论里必须重点说明。

5.4 生存数据（HR）不能当二分类数据硬录

现象：某些研究终点是生存时间，原文只给风险比 HR 和置信区间，有学员按事件数录入两组总例数，森林图结果与其他研究格格不入。 原因：HR 是基于时间到事件模型的效应指标，不是简单由两组事件数相除得到的，强行按二分类录入丢失了时间维度。 解决：如果 RevMan 里的结局类型支持录入对数风险比和标准误，可按这种方式处理；如果不支持，宁可把该研究放进叙述性总结，也不要强行合并。还有一种常见权宜做法：让该研究单独占一个亚组，说明只做描述不做统计合并。

5.5 单位不一致导致异常值

现象：录入后森林图出现置信区间极宽、效应量异常大的单条横线，肉眼可见与其他研究不在同一量级。 原因：最常见是单位不一致，比如血糖值 mg/dL 与 mmol/L 混用，或者某研究的剂量单位是微克而非毫克。 解决：回到数据提取表检查所有研究的单位并统一换算。换算要在外部表格里完成并留痕迹，不要直接改软件里的数字。顺手把录入前后的两版数据表截图保存，以备审稿时说明数据处理过程。

6. 课件收尾的三个进阶技巧

6.1 把森林图接上 GRADE 证据等级

森林图做完不等于系统评价完成。读者真正关心的是“这个证据有多可靠”，而这要交给 GRADE 体系回答。常见流程是把 RevMan 中的结局数据导出，进入 GRADEpro 工具，按偏倚风险、不一致性、间接性、不精确性和发表偏倚五个方面升降级，最终给出证据等级：高、中、低、极低。课件如果只讲到森林图就下课，学员会误以为 meta 分析就是系统评价的全部，这是教学上最大的盲区。至少要演示一次数据从 RevMan 到 GRADE 工具的过程，并说明偏倚风险高是降级最常见的原因。

6.2 用固定与随机效应做敏感性分析

敏感性分析不为了算两个数字，而是为了看结论是否稳定。我已习惯在每个主要结局下建两个分析节点：一个用固定效应，一个用随机效应，名称分别标注“敏感性分析_固定”和“敏感性分析_随机”。如果两者结论方向一致、效应量差异不大，则结果可信度较高；如果出现方向翻转，则要在结果部分明确提醒读者谨慎解读。还可以再做一次只纳入低偏倚风险研究的分析，和三组结果放在一起比较。这是整个软件操作里最能培养判断力的一步，比多讲十页理论有用。

6.3 讲课与自查的收尾顺序

给学员或团队带教时，我建议最后一张课件按固定顺序收尾：先回看 PICO 四要素是否完整对应标题和纳入标准；再检查 PRISMA 流程图与排除记录是否一致；接着核对每个结局下已添加研究数据的研究数是否等于纳入研究数；最后抽查三篇文献的原始数据与 RevMan 数据表的录入是否一致，特别关注单位和小数点。若时间允许，让两人交叉检查数据表，效果远好于一人反复核对。

记得我第一次带课，一位学员交上来的系统评价数据看起来整整齐齐，我随手抽查一列标准差，发现那篇文献原文根本没有报告标准差，是从别的研究里复制过来的。从那以后，我要求所有数据汇总表必须附原始文献页码，再急也保留这一列。做系统评价，最重要的不是软件点得有多熟练，而是一处一处可溯源，每一个数字都能找到出处，每一步筛选都能讲清理由。希望这套流程能帮你在自己的第一篇系统评价上少走弯路，也希望帮你的学员少一点“森林图突然空白”的半夜崩溃。

本文还有配套的精品资源，点击获取