不同随访时长的两项独立随机效应meta分析汇总效应量能否直接比较？

这是个很关键的问题——答案是不建议直接比较这两个汇总风险比（RR），原因主要有这几点，同时给你一些更严谨的替代方案：

• 随访时长本质上定义了不同的效应维度
  你做的两个meta分析，一个衡量的是治疗后≤12个月的短期效应，另一个是≥18个月的长期效应。很多治疗的效果会随时间变化：比如有些干预短期能快速改善结局，但长期可能出现反弹或副作用；还有些干预短期效果不明显，但长期获益逐渐显现。这两个RR对应的是完全不同时间窗口的治疗作用，直接比较就像拿“术后30天的并发症率”和“术后2年的生存率”对比，逻辑上不对等。

• 纳入研究的潜在异质性被忽略
  虽然你提到是同一人群、同一治疗，但随访时长不同的研究，往往伴随其他未被控制的差异：比如随访≥18个月的研究可能患者脱落率更高，剩下的患者本身预后更好；或者短期研究更倾向于纳入病情较轻的患者，长期研究纳入的患者基线特征不同；甚至结局指标的定义可能有细微差别（比如短期用“症状缓解”，长期用“疾病复发”）。这些混杂因素都会影响汇总RR，直接比较会把这些差异都归因于随访时长，得出错误结论。

• 统计层面缺乏严谨的比较基础
  两个meta分析是独立运行的，各自的随机效应模型基于不同的纳入研究集计算方差和权重，没有统一的统计框架来检验两个汇总RR的差异是否有统计学意义。硬要直接对比数值，无法区分差异是真实的时间效应，还是随机误差、异质性导致的波动。

更严谨的处理方案 #

• 合并所有研究做亚组分析
  把17项短期研究和20项长期研究整合到同一个meta分析中，将“随访时长分组”作为亚组变量，然后用亚组检验（比如Cochran's Q检验）来比较两个亚组的效应量差异。这样能在统一的分析框架下控制其他潜在混杂，更准确地判断随访时长对治疗效应的影响。

• 核对研究特征的一致性
  仔细排查两个meta分析纳入研究的细节：患者基线特征（年龄、病情严重程度、合并症）、治疗方案的具体实施（剂量、疗程、辅助治疗）、结局指标的定义是否完全一致。如果发现有差异，需要先调整纳入标准，或者在分析中控制这些变量。

• 用meta回归分析时间效应
  把随访时长作为连续变量（而不是二分的截断值），做meta回归分析，探索治疗效应随随访时间的变化趋势。这样能更细致地了解治疗效果是随时间增强、减弱，还是保持稳定，比单纯的二分亚组分析更有说服力。

内容的提问来源于stack exchange，提问作者Wissenschaft