香港中文大學醫學院
當今科學領域日趨複雜，專家評述、教育性綜述和薈萃分析(meta-analyses)有助於科研人員快速瞭解自身專業領域以外的資訊，對於學生開始研究新課題也有很大幫助。專家評述通常為敘述性綜述，作者為讀者檢索和綜合分析特定主題的資訊。專家評述的作者在相應內容領域應具有相對專業知識，評述中體現作者自己的經驗、見解和預測。但是讀者應給當心專家評述中可能包含作者的個人偏見。
最近John Ioannidis在一篇文章中指出，目前有大量沒有意義的、或者有誤導性的評論和薈萃分析(meta-analyses) 得以發表[1]。Bastian指出在2010年每天有75個臨床研究和11臨床研究的系統性綜述(systematic review)發表，而且未達到增長頂峰[3]。假設每個臨床試驗的參加人數為80 人，Chan和Altman在2005年估計每年受試者人數可能超過2,000,000人[5]。發表這些出版物無需原始研究，並且常常是有傾向性和選擇性的行銷工具 [1]。發表更多論文的量化競爭帶來的另一個問題是產生大量類似的出版物，其內容未必完全相同，但差異非常小，而且類似文章不斷增多，從而導致資訊超載。研究人員閱讀所有相關論文很費時間，於是重要文章在充斥著大量低質量的文獻海洋中變得越來越不矚目[2]。然而這些不應簡單誤解為應該減少綜述文章的發表。尤其在現今科學出版物數量的不斷上升的情況下, 發表由經驗豐富的研究人員撰寫的高質量綜述仍然非常有必要[3,4]。鑒於目前論文和研究堆積如山，很難期望科研人員詳細研究與他們的興趣領域相關的每一篇新文章。因此有必要對於近期文獻的作定期總結從而避免不必要的重複研究[6,7]。由於大量未綜合的研究結果不斷堆積，需要有效地定期收集、過濾和綜合這些研究結果。一旦有新的研究完成，就有必要更新累積的證據。比如最近刊登於Quant Imaging Med Surg 中的兩篇論文已很好地展示了這一點[8-9]。致力於某一研究領域的科研人員可以更加有效地總結相關文獻，及時的文獻回顧還可帶來新見解[10]。
綜述文章大致可以分為專家評論、系統性綜述和教育性綜述。高質量的綜述文章可以驗證假設和觀點，提供比單個主要研究結果更具結論性的結果。需要切記的是撰寫綜述不是簡單的‘集郵’過程。綜述文章應對每項研究進行評論，並建議應系統地搜索至少兩個相應資料庫，以對相關議題提供合理的廣度和深度。在文獻搜索過程中，作者需要記錄所搜索的資料庫和使用的相關術語、搜索起始年月份、以及的結束年月份。綜述作者需要記錄每次搜索的論文“點擊”次數或論文引用次數。詳細記錄這些搜索方法可以讓讀者重複及核對文獻搜索過程[11]。
一篇好的綜述需要批判性地分析發表的文獻，鑒別發現已經發表論文中潛在的方法學問題，並指出相關領域研究領域的空缺和挑戰[4]。一篇優秀的綜述的一個重要標準是觀點保持中立和平衡。尤其是在敘述性綜述寫作中，一些科研可能熱衷於自己已發表的文章，從而並在綜述中對其成果不恰當過度重視。因為作者為有自身體驗的人，科學表述的中立性通常不能完全實現，但保持觀點的中立性應被視為綜述的目標[12, 13]。
在1986年和1987年，Goldschmidt和Mulrow 指出健康科學類綜述沒有系統性 (systematically)撰寫時可能產生的錯誤 [14,15]。如果沒有確文獻納入要求，然後詳盡包括符合這些標準的所有研究，那麼綜述作者可能有意無意地納入贊成自身觀點的研究，而忽略觀點相反的研究。系統性綜述應嘗試基於已發表證據的基礎上檢驗一個假設，也就是按照預先設定的方案收集文獻來減少偏差[16]。當文獻報導的臨床試驗樣本量較小時，薈萃分析尤其適用[17]。一個充分的薈萃分析常常結合了許多研究的數據和成千上萬的患者，可以提高評估治療效果的精確性，並降低假陰性結果的風險[18]。但是薈萃分析的結論易受報告偏倚和研究入選標準的影響。薈萃分析的優勢是可以對彙集的數據進行統計分析，反過來但是這也可能是一個缺點，因為常常很難找到足夠相似的研究以作出有效的比較[18]。
一些重要的因素可能會影響臨床試驗有效性，其中包括：1) 選擇偏倚(參加試驗者分配到比較組偏倚)、2) 觀察者偏倚 (非盲結果評估) 、和3) 試驗退出偏倚(比較組和實驗組參加試驗者退出率的不平衡)。此外作者可能會傾向於報導最有效果的結論，抑制其他統計非顯著性或陰性結論。另外是並非所有相關研究都可在索引期刊上發表。根據一項分析，即使是隨機臨床試驗(RCT)，提交至科學會議的所有摘要中，僅有一半隨後有相關論文出版[19]。這意味著綜述作者可能沒有獲得所有潛在的重要資訊。一個值得注意的現象是，治療效果無統計學顯著性的 “陰性”研究結果較小可能能出現在科學會議中，或隨後出版，或及時出版在英文出版物中並被引用[18] 。另一方面，正面的研究結果更可能被多次發表[20]。漏掉“陰性”研究結果可能導致對真實的治療效果的高估。薈萃分析僅僅基於公開發表文獻，因此可能導致對研究結果的過度樂觀[18]。
薈萃分析既定的基本原理是不考慮原始研究的品質因素而是納入所有相關研究，這首先是為避免作者的自我偏見。然而既然難以證明敘述性綜述對發表結果的隨意選擇是合理的，我們也難以接受薈萃分析員對相關研究的全盤納入策略。在具體實踐中，包羅萬象的的薈萃分析也可能產生嚴重錯誤[21]。綜述作者的偏見會影響納入標準，這點幾乎不能靠全數納入相關研究並隨後進行統計測試來解決這個問題。薈萃分析只能與系統性綜述所選擇的原始研究一樣可靠。
由於薈萃分析的潛在問題，特別是那些基於分散的小型研究的薈萃分析，Slavin提出了最佳證據合成的概念[best-evidencesynthesis, 22]。Slavin認為，在其他條件都相同的情況下，可以合成基於客觀標準而且通過清晰描述與主題相關的最好證據，這樣提更可靠資訊。best-evidence synthesis 不納入方法學不嚴謹的研究；這與Glass等[23]及其他學者宣導的全部文獻納入的原則截然不同。此外，應注意的是系統性綜述主要基於原創性研究，而非重複使用舊綜述的建議或結論。因此建議以後發表文章應標準化研究設計及發表所有數據,包括納入原始數據到補充檔中，將使以後的合成分析(synthesis)更為有效 [7, 24-27]。
診斷診斷技術領域對於系統綜述和薈萃分析有高需求。在進行任何新研究之前不系統性回顧已知資訊顯然不合理。以驗證MRI新技術應用於各種器官和疾病為例，應該對其發展作定期分析和總結，以使下一個研究設計更合理和更科學。但與此同時，由於各個研究中心的數據採集技術的不一定相同，及技術版本的快速更新換代和發行，綜合各種結果一起分析很困難，有時是不可能的或者綜合的沒有意義。撰寫綜述還有機會將不同學科的專家和用戶彙集到一起。醫療技術開發人員、醫生、患者之間常常存在分歧和誤解[28-30]。醫療技術開發人員可能沒有充分未考慮患者病理多樣性和個體差異，過於簡單的技術版可能不能運用於臨床實踐[31-34]。真正的交叉學科研究在公司這樣的私營研究機構中更有可能得到更好的用，但政府資助的學術界交叉學科研究常常只是理想性的目標[35]。在這一點上，科研人員閱讀其他學科的高質量綜述將會有幫助。要寫好的綜述，作者最好能來自不同學科的專業背景則。如果作者若來自單一狹窄的研究領域，綜述中會有風險誇大自身領域重要性，進而將不成熟的技術描述為有美妙的前景。而初學讀者因無法識別綜述中的錯誤，可能導致對於綜述內容的誤解。