森林图概述
森林图（Forest Plot）是Meta 分析的一种图形表示法，它直观地显示了Meta 分析中所有研究之间的关联，并展示了所有结果的集合效应估计值和异质性。森林图诞生于 20 世纪 80 年代，但这个名字是 1996 年起的，因为这些图看起来像一个 "线条森林"。
森林图的组成部分 ：
- 每项研究都用一条横线表示。图中显示了每项研究的事件数、效果评估和 95% 的置信区间（confidence intervals）。如果研究中未发生任何事件，则图中不显示任何线条。
- 线的宽度代表置信区间的范围：95% 置信真值的范围。
- 每项研究数据线上的方框代表该研究的估计点，是对该人群中真实效应的最佳猜测。方框的大小代表研究的 "权重"。研究的权重取决于Meta分析中用于合并研究的统计模型、事件数量以及试验参与者的总人数。研究的规模越大，方框就越大。以这种方式将方框形象化，是为了将人们的视线引向权重更大的研究。
- 菱形代表Meta分析中所有研究的汇总效应估计值和置信区间。
- 中间的线代表无效应线。如果某项研究的线与无效应线交叉，则说明该研究的组间没有统计学差异。同样，如果菱形线与无效应线交叉，则Meta分析中所有试验的组间没有统计学差异。反之，如果某项研究的线或菱形线没有越过无效应线，则分别表明在该试验内部和所有试验之间存在具有统计学意义的差异。
- 当结果为负结果（死亡率、心脏病发作、疼痛等）时，干预措施显示在森林图的左侧，比较对象（对照组）显示在右侧。如果点估计值位于无效应线的左侧，且置信区间和菱形线不交叉，则说明干预措施成功地减少了负面结果（死亡率降低、心脏病发作减少、疼痛减轻）。反之则是好的结果，如与健康相关的生活质量、满意度、幸福感等。如果点估计值位于无影响线的右侧，且置信区间和菱形线不交叉，则干预措施改善了积极结果。
- 异质性（I-squared）、总体效应大小和 P 值等统计数据与森林图一起显示。异质性(heterogeneity)反映了Meta分析中的所有研究是否测量了相同的内容，并衡量了研究之间的差异性，或者换句话说，试验之间的差异有多大。异质性可能是由于参与者之间在方法学、统计学、效应大小或临床参数方面存在差异。异质性比例越大，结果的可信度就越低。一般来说，30% 或更低的异质性被认为是轻度异质性，结果更有可能是有效的，而 70% 或更高的异质性则表示存在明显的异质性，导致结果值得怀疑。超过 70% 的异质性意味着研究人员应考虑不对结果进行Meta分析，因为高异质性可能表明Meta分析中显示的效果无效。
图 1：森林图的各个部分：
优势
森林图直观地展示了Meta分析中各项研究之间的整体关系，并说明了Meta分析中各项研究结果和所有试验结果的一致性、精确性和异质性。
注意事项
- Meta分析结果的有效性取决于纳入Meta分析的单个试验结果的质量、精确度和准确性。如果原始研究数据有偏差，Meta分析结果也会有偏差。包含Meta分析的系统性综述如果操作得当，就会对偏倚进行评估，并根据所纳入试验的偏倚风险得出Meta分析结果。
- Meta分析中计算出的结果和森林图中描述的结果取决于用于Meta分析结果的模型。主要有两种模型： 1）固定效应；2）随机效应。简而言之，固定效应模型假定Meta分析中的所有研究都估计了相同的数量。这就好比在多个实验中抛掷相同次数的硬币，并观察每次实验中正面和反面的数量。如果异质性较低，可以使用固定效应模型。相反，如果存在中等或较高程度的异质性，随机效应模型则更为合适，因为它假定每个实验内部存在更多的变异性，是更为保守的模型。一般来说，由于许多试验都是采用不同的方法和不同的患者进行的，因此最好是采用保守的结果。因此，随机效应模型是许多Meta分析最合适的选择。
特别要注意
- 研究结果与无效应线的落点，以及研究结果是否始终落在无效应线的同一侧或相反一侧，这些都很重要。如果研究落在同一侧，则表明研究之间具有一致性。如果置信区间不重叠，则无论研究是否全部（或大部分）位于无效应线的同一侧，都存在异质性（图 2）。
- 试验的置信区间越大，精确度越低，不确定性越大。同样，总体汇总效应大小的宽度越大，不确定性就越大。
- 如果置信区间线没有重叠至少 1/3，则表明可能存在不一致性。如果置信区间重叠，则不存在异质性，或至少异质性较小。如果点估计值分散在无效应线的两侧，但置信区间有很好的重叠，这也表明没有异质性或异质性较低。
- 效应大小越大，P 值越小，说明效应越明显，统计意义越大。
- I-squared(I²) 值越高，异质性越大。如果 p 值显著且异质性较高，则异质性在统计学上具有重要意义。
图 2：评估森林图中的异质性：
