Meta分析多用於回答單個研究不能回答的問題，原始研究常常納入特定類型的患者和明確定義的干預措施，而選擇上述特徵不同的研究便可以評估效應的一致性。一致性對於結局效應指標的選取具有重要意義，一般情況下相對效應指標比絕對效應指標的一致性好。
基本介紹
- 中文名：一致性
- 外文名：consistency
測量,網狀Meta分析中的一致性,
測量
一致性的測量可以用於描述多個作者評價的一致程度，可使用Kappa統計量計算兩個作者在作簡單的納入/排除決策時的測量一致性，見表1。對於用Kappa值判斷一致性的建議參考標準為：①Kappa =+1，說明兩次判斷的結果完全一致；②Kappa =-1，說明兩次判斷的結果完全不一致；③Kappa =0，說明兩次判斷的結果是機遇造成；④Kappa<0，說明一致程度比機遇造成的還差，兩次檢查結果很不一致，但在實際套用中無意義；⑤Kappa>0，此時說明有意義，Kappa愈大，說明一致性愈好；⑥Kappa<0.4，說明一致程度不夠理想；⑦Kappa≥0.75，說明已經取得相當滿意的一致程度。
表1 Kappa統計量的計算
但不建議將Kappa統計量作為系統評價的標準，即使其在預實驗的早期階段可以揭示問題，但不能揭示有關評價分歧的實質影響。例如，評估一個實施良好的大規模研究合格性時的分歧比一個小型有偏倚風險的研究的分歧對系統評價的影響更大。
當Meta分析結果顯示個體研究結果的可信區間重疊較少時，通常表明存在統計學異質性，此時需要對異質性進行統計學檢驗，對研究間的不一致性進行量化。
網狀Meta分析中的一致性
網狀Meta分析中的一致性是指直接於間接比較結果的相似度，可分為方向或大小一致性，主要依據大小的一致性進行鑑定，如Bucher法等。一致性的鑑別可分為客觀與主觀鑑別法，主要包括：基本特徵比較、治療效應修飾符——協變數、參照措施比較、節點分析、不一致性模型、假設檢驗、回測法、多維測量法、兩步法、圖形理論法、析因方差分析法等。網狀 Meta 分析製作者在製作網狀 Meta 分析時可考慮選擇一種或兩種方法來鑑別及處理一致性。
