Meta 分析是一种统计工具，用于综合多个独立研究的结果，从而获得更加稳定和可靠的总体结论。传统 Meta 分析多采用固定效应模型或随机效应模型，将各研究的效应进行加权汇总，但在诊断试验中，敏感性和特异性常被分别分析，忽略了它们之间的负相关性及研究间异质性。贝叶斯 Meta 分析采用不同的统计框架，将数据与模型参数视为随机变量，经过先验分布与数据的似然函数结合，生成后验分布。这样的处理方式不仅许可量化不确定性，还能在适当条件下融入主观知识或先前研究信息，使得分析结果更加精确和透明。

一、认识贝叶斯 Meta 分析

Meta 分析是一类能够综合多个独立科学研究结果的统计工具，它允许研究者从不同地点、不同方法、甚至来自不同数据库或文献的研究材料中获得更稳定的总体结论。Meta 分析通常被视为系统评价中的关键组成部分，但需要强调的是：并非所有体系评价都包含 Meta 分析，因此二者不能简单等同。Meta 分析在逻辑上相当于在适当条件下“创造新素材”，因为它将多个研究的效应加权整合，并输出一个新的、经过量化的不确定性评估的总体效应。传统 Meta 分析主要含有两类统计模型：固定效应模型（fixed-effect model） 与 随机效应模型（random-effects model）。前者假设所有研究