Causal Meta-Analysis: Rethinking the Foundations of Evidence-Based Medicine
因果元分析：重新审视循证医学的基础AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕目标人群因果效应、因果聚合与经典元分析的因果解释展开，直接属于因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
因果元分析：重新审视循证医学的基础
- 研究问题
- 固定效应或随机效应元分析汇总的结果，何时能解释为明确人群的因果效应，风险比和优势比等非线性度量又有何困难？
- 方法与思路
- 作者以目标人群因果效应重新解释研究间汇总，提出无需个体数据的因果聚合公式，并与经典方法在已发表元分析中比较。
- 材料陈述的贡献
- 摘要称风险差下经典估计量具有明确因果解释，非线性度量下这一解释失效；新公式在五百项元分析中揭示部分方向分歧。
- 阅读关注点
- 应核对风险差解释所需条件、非线性聚合公式与目标人群权重，以及仅有汇总数据时如何处理基线风险和研究间差异。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；因果识别条件与具体分歧案例未说明，不能据此判定某项治疗有害。
原文摘要
Meta-analysis, by synthesizing effect estimates from multiple studies conducted in diverse settings, stands at the top of the evidence hierarchy in clinical research. Yet, conventional approaches based on fixed- or random-effects models lack a causal framework, which may limit their interpretability and utility for public policy. Incorporating causal inference reframes meta-analysis as the estimation of well-defined causal effects on clearly specified populations, enabling a principled approach to handling study heterogeneity. We show that classical meta-analysis estimators have a clear causal interpretation when effects are measured as risk differences. However, this breaks down for nonlinear measures like the risk ratio and odds ratio. To address this, we introduce novel causal aggregation formulas that remain compatible with standard meta-analysis practices and do not require access to individual-level data. To evaluate real-world impact, we apply both classical and causal meta-analysis methods to 500 published meta-analyses. While the conclusions often align, notable discrepancies emerge, revealing cases where conventional methods may suggest a treatment is beneficial when, under a causal lens, it is in fact harmful.