经常看到有人提出这样的疑问：异质性来自其中一篇文章，去掉这一篇后I2能从86%降到20%，能不能剔除这篇文献？
答案显而易见，如果这个观点是合理的，所有的meta分析都不会出现异质性显著的现象，那为什么还会有固定效应模型和随机效应模型的区别呢？
或许有人也会反击：我就要做异质性不显著的meta分析，这样结果更可信，难道也不行吗？
操作上当然可以，但不建议这么做。文献的纳入和排除，是在文献筛选过程实现的，只要是符合纳入标准的文献，就不应该在分析环节被排除，除非突然改变纳入排除标准。
实际上，meta分析的异质性在制定纳入排除标准的时候已经产生了，I square和Q检验只是评估纳入文献间的统计学异质性是否显著。然而，统计学异质性是表象，方法学和临床异质性才是本质。
没有统计学异质性，不代表没有方法学和临床异质性，世界上没有两片完全相同的叶子，也没有两个完全相同的研究，因此异质性是必然存在的。
异质性并不是什么洪水猛兽，也不是说有异质性的meta分析一定不能发表，关键是如何解读异质性！相对于追求所谓的异质性不显著，莫不如通过亚组分析、meta回归等方法探讨异质性来源，讨论异质性对结果的影响。
Meta回归，可以分析自变量（性别、年龄、地区、研究类型等）与统计学异质性的关联。当然了，meta回归对文献数量的要求比较高（≥5n，n代表自变量的数量）。
亚组分析，可以把研究对象细分，看看各组的组内异质性是不是还很大，判断哪些因素是显著的异质性来源。
判断依据是什么？分组后，每个组组内异质性都不显著，则该因素为异质性来源之一（如下图），研究类型就是其中一个显著的异质性来源。
此外，敏感性分析可以帮忙我们评估结果的稳定性，排除对异质性影响较大的研究，然后看下剩余研究的合并结果是否有显著变化（从有统计学意义变成无统计学意义，反之亦然）。如果无显著变化，则虽然异质性大，但结果稳定；反之，则结果不稳定，下结论时需要谨慎。
当然，上述方法主要针对的是统计学异质性的分析和讨论，如果临床异质性、方法学异质性特别大，或许真的不适合做meta分析了，不妨改做定性的系统综述。
综上所述，对于带来较大异质性的研究，处理方案可以参考下面的“决策树”。
本次分享就到这里了，如有meta分析的问题，欢迎留言或加好友交流。