系统评价和Meta分析如今已经很常见，很多作者在写作时也越来越重视规范。标题怎么写、摘要怎么排、流程图怎么放、方法和结果如何呈现，不少人都会先参考PRISMA清单。PRISMA当然很重要，它为系统评价和Meta分析提供了一个比较清晰的基本框架。
不过在实际写作和投稿中，光有框架有时还不够。有些稿件从结构上看并没有明显缺项，但进入投稿和审稿环节后，还是会在方法表述、图表呈现、结果解释或讨论展开上暴露出一些问题。很多时候，差距并不在大方向上，而是在一些不太起眼的细节里。下面这几个方面，在写作时尤其值得多留意一步。
1. 检索不只是列出数据库
很多文章在方法部分都会交代检索了哪些数据库，比如PubMed、Embase和Web of Science。这当然是必要信息，但如果只写到这一步，往往还不够。对系统评价来说，光是告诉读者“我查了文献”是不够的，更重要的是让读者大致看明白：这项检索是怎么做的。
比如，使用了哪些关键词，主题词和自由词是怎样组合的，检索截止到哪一天，是否追溯了参考文献，是否补查了会议摘要或灰色文献。这些内容看起来很细，却会影响读者对研究完整性的判断。很多稿件的问题并不是没有写检索，而是写得比较简略，读者看完知道作者查过文献，却不太容易判断检索是否充分。
2. 纳排标准最怕看起来完整、实际模糊
纳入和排除标准也是比较容易在形式上完整，但在实际表达中留下疑问的地方。现在不少作者都会按PICOS来写方法，这已经比过去规范了很多，但PICOS写出来，并不代表边界就一定清楚。
例如，混合人群研究是否纳入，联合干预和单一干预是否可以放在一起，不同随访时间点的数据如何处理，随机对照试验和观察性研究是合并分析还是分开解释。这些问题如果没有提前说明，后面就可能让人觉得标准虽然列出来了，但真正落实到具体研究时还有一些弹性空间。
通常来说，一篇读起来比较踏实的Meta分析，会在方法部分尽量把这些边界交代清楚。这样读者看到后面的分析和结论时，也会更容易理解作者的处理思路。
3. 图表不是有了就够了
很多作者会把图表看作结果部分的“标准配置”，流程图、森林图、漏斗图都放上去，文章似乎就更完整了。其实，图表除了要有，更重要的是清楚。
有些流程图写了排除多少篇文献，却没有交代主要排除原因；有些森林图数字很多，但图例不全，缩写解释不统一，读者还得反复去正文里找说明；还有些图注过于简单，单位、坐标或标注没有交代完整。这些问题往往不算大错，但会影响阅读的流畅度。
一张好的图表，应该能帮助读者更快抓住信息。比较对象是什么，结果偏向哪一边，重点在哪里，最好能让人一眼看个大概。很多时候，结果本身并没有问题，只是在呈现上还可以更清楚一些。
4. 结果不能只停在P值上
结果部分也是比较容易出现“写到了，但还不够展开”的地方。效应量、95% CI、P值、异质性都列出来了，看起来已经很完整，但写到最后，常常只剩下一句差异有统计学意义，或者差异无统计学意义。
其实，读者往往会关心得更多一点：这个差异到底大不大，临床上重不重要，结果稳不稳，异质性高不高，这些都会影响对结果的理解。有些结果虽然P值很好看，但效应量并不大，临床意义可能有限；有些结果方向一致，但研究之间差异明显，解释时就需要更谨慎；还有些亚组分析看起来很有意思，但样本量不大，结论往往也需要留一点余地。
所以结果部分除了呈现数字，有时也需要再往前走一步，把这些数字放回到研究背景和临床语境里去解读。
5. 讨论的重点不是重复结果
讨论往往最能体现一篇Meta分析写得是否充分。很多作者在这一部分写了不少内容，但读下来还是会觉得还有展开的空间。比较常见的情况是，讨论部分主要还是在重复结果，再与前人研究做一些简单比较，最后补上一句还需要更多高质量研究。
这样的写法并没有问题，只是有时还可以更进一步。讨论真正有意思的地方，往往在于对结果的解释。为什么会得到这样的结论，不同研究之间为什么会不一致，异质性的来源可能是什么，这项研究对临床实践意味着什么，哪些地方可以说得更明确，哪些地方又需要保留一些分寸，这些都是讨论部分值得写出来的内容。如果讨论能够把这些问题回应得更充分，整篇文章读起来通常会更完整一些。
总的来看，PRISMA提供的是一个很重要的写作框架，但一篇Meta分析是否真正写得扎实，往往还取决于这些更具体的落实。检索是不是足够清楚，纳排标准是不是边界明确，图表是不是便于理解，结果是不是解释到位，讨论是不是回应了研究本身的问题，这些细节加在一起，才慢慢形成一篇文章的整体完成度。对作者来说，写Meta分析当然离不开规范，但在规范之外，把这些细节处理得更细一些，往往也会让文章更耐读、更有说服力。