为了对荟萃分析 (Meta-analysis) 的结果进行分类，您必须建立一个标准化的编码框架，根据您的核心研究问题，系统地对研究特征、方法学和结局指标进行分组。
对提取的数据进行正确分类，可以说是介于完成系统综述 (Systematic review) 和进行统计学合并 (Statistical synthesis) 之间最关键的一步。如果没有清晰的分类，您将面临比较不兼容数据的风险，这可能导致结论无效以及较高的统计学异质性 (Statistical heterogeneity)。
以下是对荟萃分析结果进行有效分类的分步指南：
1. 确立您的 PICO 分类
分类的基础应与您的 PICO 框架（Population 人群、Intervention 干预、Comparison 对照、Outcome 结局）保持一致。首先根据这些核心要素对结果进行分组。例如，如果您的荟萃分析针对的是广泛人群，您可能需要首先将结果按特定年龄段或临床诊断进行分类，以确保您比较的是相似的群体。
2. 制定标准化的编码手册
创建一个详细的电子表格或数据库，以便对所有纳入研究的数据进行统一的提取和编码。您的编码分类应涵盖：
- 研究特征 (Study characteristics)： 发表年份、地理位置和研究设计（例如，随机对照试验与观察性研究）。
- 参与者详情 (Participant details)： 样本量、平均年龄、性别分布和基线健康状况。
- 干预细节 (Intervention specifics)： 剂量、频率、给药/实施方式和持续时间。
在这一严谨的数据提取阶段，要在几十篇 PDF 文献中寻找特定变量可能会非常繁琐；使用 WisPaper 的 Scholar QA 功能，您可以就论文的方法学提出针对性问题，并将答案追溯到原文的确切段落，从而确保您的编码既快速又准确。
3. 对结局指标和时间范围进行分类
不同的研究通常会使用完全不同的工具来测量相同的潜在概念 (Underlying construct)。您需要将相似的测量量表归为一类来对结果进行分类（例如，将所有自评抑郁量表归为一组）。此外，还需根据随访时间范围对结果进行分类。一种常见的做法是将结局指标分为短期（如 0–3 个月）、中期（3–6 个月）和长期（6 个月以上）类别。
4. 规划亚组分析 (Subgroup Analyses)
预先考虑到解释各项研究间差异（异质性）的需求，将结果按潜在的调节变量 (Moderating variables) 进行分类。如果您发现干预效果的差异非常大，您将需要依赖这些预先设定的亚组分类——例如高剂量与低剂量干预，或同行评审文献与灰色文献 (Gray literature)——来进行亚组分析，并精准定位变异的来源。
5. 标准化效应量 (Effect Sizes)
最后，在进行数据合并之前，您必须对统计结果本身进行分类。将连续型数据（Continuous data，会得出标准化均数差 Standardized Mean Difference）与二分类数据（Dichotomous data，会得出比值比 Odds Ratios 或相对危险度 Risk Ratios）分开进行分组。如果单项研究针对同一类别报告了多个效应量，您需要决定是对其求平均值、选择最相关的一个，还是使用多水平荟萃分析模型 (Multilevel meta-analytic model) 来处理这种数据依赖性。