撰写荟萃分析 (Meta-analysis) 的结果时，你需要系统地报告研究筛选过程，总结纳入研究的特征，使用森林图 (Forest plots) 展示合并效应量 (Synthesized effect sizes)，并处理统计学异质性 (Statistical heterogeneity) 和发表偏倚 (Publication bias) 问题。
撰写荟萃分析或系统综述 (Systematic review) 的结果部分可能会因数据量庞大而令人感到吃力。通过遵循结构化的方法，并遵守如 PRISMA 等标准报告指南，你可以清晰且有逻辑地向读者展示你的研究结果。
1. 概述研究筛选过程
结果部分应始终从详细说明你如何得出最终的文献集合开始。说明在文献检索过程中发现的初始记录总数、剔除的重复文献数量，以及排除的全文文献数量（并附上排除原因）。这段叙述性文字应与你的 PRISMA 流程图 (Flow diagram) 直接对应，这是已发表的荟萃分析中必不可少的标准图表。
2. 总结研究特征
接下来，对纳入的研究进行描述性概述。你应该提供一张全面的“研究特征表 (Table of Study Characteristics)”，列出作者、发表年份、样本量、参与者人口统计学特征和研究设计。为了加快这一繁琐的提取阶段，你可以使用 WisPaper 的 My Library 来整理最终的 PDF 文献，并通过 AI 与上传的论文进行对话，即时提取特定的人口统计数据或研究方法，而无需重新阅读每份文档。在表格后附上一段简短的叙述性文字，重点说明这些研究中最常见的特征以及任何显著的差异。
3. 展示主要效应量
这是荟萃分析结果的核心部分。报告整体的合并估计值 (Pooled estimate)（如 Cohen's d、Hedges' g 或比值比 (Odds ratios)）及其 95% 置信区间 (Confidence interval) 和 p 值。你还必须在此处引用你的森林图。通过强调整体趋势和各项研究的权重来引导读者理解森林图，而不是在正文中逐一列出每篇论文的具体结果。
4. 报告异质性和亚组分析
你需要告诉读者纳入研究的结果是否一致。报告异质性统计数据，通常使用 Cochran's Q 和 I² 统计量。如果发现存在高异质性（例如，I² 超过 50%），请报告亚组分析 (Subgroup analyses) 或荟萃回归 (Meta-regressions) 的结果，以解释哪些变量（如年龄组、地理位置或干预类型）可能导致了这种差异。
5. 处理发表偏倚和敏感性
最后，评估研究结果的稳健性 (Robustness)。通过引用漏斗图 (Funnel plot) 并报告 Egger 检验或剪补法 (Trim-and-fill method) 等统计检验的结果，来描述发表偏倚的评估情况。在部分结尾处提及所有的敏感性分析 (Sensitivity analyses)（例如“逐一剔除 (Leave-one-out)”分析），以证明整体的合并效应并未因单一的异常研究而产生偏差。