本技能聚焦于用 R 构建森林图与漏斗图，服务于证据综合与效应量可视化。
用途：将多个研究或亚组的效应估计（HR、OR、RR、β 系数）汇总呈现，配合荟萃分析的合并结果；并通过漏斗图诊断发表偏倚。适用于单试验亚组展示、二分类/连续结局的荟萃分析、孟德尔随机化、亚组交互分析、网络荟萃分析与累积荟萃分析等场景。
主要能力：
- 森林图：以方块表示效应估计（方块大小对应权重/方差的倒数）、水平线表示 95% 置信区间，附标签，并可在底部加入荟萃合并的汇总菱形（固定效应或随机效应）。合并模型可选择固定效应或随机效应（如 DerSimonian-Laird、REML）。
- 漏斗图：绘制效应量与精确度（SE 的倒置）的关系，无偏时呈对称倒漏斗形；不对称提示缺失小样本阴性结果研究。提供 Egger 回归检验（formalize 不对称）、trim-and-fill（剪补法，Duval-Tweedie 2000）以及轮廓增强漏斗图（contour-enhanced，叠加显著性轮廓 p<0.10、<0.05、<0.01）。
- 工具链与版本：参考示例经 metafor 4.4+、forestplot 3.1+、ggforestplot 0.1+（亚组森林）、survminer 0.4.9+ 的 ggforest、MendelianRandomization 0.10+ 测试。使用前需验证已安装版本是否匹配（R 中用 packageVersion('<pkg>') 与 ?function_name）；若版本不同，遇到 ImportError、AttributeError 或 TypeError 时应内省已装包并适配实际 API，而非重试。
关键统计考量：
- 异质性优先：合并效应若研究间异质则意义有限。Higgins I² 量化研究间方差；25/50/75% 的解读分层来自 Cochrane Handbook §10.10.2，而非原始 Higgins-Thompson 论文（后者警告勿僵化使用截断值）。I²>75% 时必须解释异质性（亚组分析、元回归）。
- 森林图底部必须报告：合并估计 + 95% CI + I² + τ² + Q 检验 p 值，否则只是效应列表而非荟萃分析。
- 随机效应默认优于固定效应：固定效应假设所有研究估计同一真效应，多中心不同人群几乎不成立；REML 是现代默认，DerSimonian-Laird 为较老默认。
- 小研究数（k<5）：metafor::rma() 基于卡方渐近的 95% CI 严重反保守，应使用 Hartung-Knapp-Sidik-Jonkman（HKSJ）校正（test='knha'），使用 t 分布（k-1 自由度）并依 Q 统计量调整 SE，k=3 时仍校准良好；k<3 不建议做荟萃分析，仅报告个体研究效应，不做合并。k<5 时 I² 不可解释，不应报告。
- 预测区间：addpred=TRUE 加入 95% 预测区间，表示新研究效应预期落点（Higgins-Thompson-Spiegelhalter 2009），在 I²>30% 时是最诚实的汇总。
- 比值森林图 x 轴必须取对数：OR/HR/RR 具有乘性对称，线性轴会压缩小于 1 的效应。
- 权重需可见：metafor::forest() 自动以方块大小编码权重；forestplot 包需 boxsize 参数。
常用代码模式（保留原文）： library(metafor) res <- rma(yi = log_or, vi = log_or_se^2, data = studies, slab = paste(author, year), method = 'REML') summary(res) forest(res, atransf = exp, at = log(c(0.25, 0.5, 1, 2, 4)), refline = 0, xlab = 'Odds Ratio (95% CI)', header = c('Study', 'OR [95% CI]'), mlab = bquote(paste('RE Model (Q = ', .(round(res$QE, 2)), ', df = ', .(res$k - 1), ', p = ', .(format.pval(res$QEp, digits = 2)), '; ', I^2, ' = ', .(round(res$I2, 1)), '%)')), addpred = TRUE)
library(survminer) fit <- coxph(Surv(time, status) ~ treatment + age + sex + stage, data = df) ggforest(fit, data = df, main = 'Subgroup HRs', cpositions = c(0.02, 0.22, 0.4), fontsize = 0.7, refLabel = 'Reference', noDigits = 2)
res_hksj <- rma(yi = log_or, vi = log_or_se^2, data = studies, method = 'REML', test = 'knha')
funnel(res, xlab = 'log(OR)', refline = res$b) regtest(res, model = 'lm', predictor = 'sei') res_tf <- trimfill(res) forest(res_tf) funnel(res_tf) funnel(res, level = c(90, 95, 99), shade = c('white', 'gray55', 'gray75'), refline = 0, legend = TRUE)
决策树（按分析类型选择工具与合并模型）：
- 单试验亚组 HR：survminer::ggforest，无合并，基于 Coxph 对象
- 二分类结局荟萃：metafor::rma -> forest()，DerSimonian-Laird 或 REML 随机效应，标准森林图
- 连续结局荟萃：metafor::rma(yi, vi)，REML 随机效应，标准森林图
- 孟德尔随机化：MendelianRandomization::mr_forest，多种 MR 方法，MR 专用森林图
- 亚组森林含交互 p：metafor::rma + addpoly + 交互模型，亚组 REML，嵌套森林图
- 网络荟萃：netmeta::forest.netmeta，贝叶斯或频率派，网络森林图
- 累积荟萃（随时间）：metafor::cumul + forest，累积森林图
定量阈值：I²>50% 为实质性异质、>75% 为相当大的异质性（Cochrane Handbook §10.10.2）；Egger 检验最少 k≥10（Sterne 2011 BMJ）；I²>30% 时报告预测区间；比值森林图 x 轴取对数。
常见错误与修复（原文）：高异质性下未解释即合并 -> 运行亚组或元回归、报告 I²/τ²/预测区间；异质数据用固定效应 -> 改 REML 随机效应并记录选择；k<10 时过度解读 Egger p -> 用视觉漏斗图与轮廓增强漏斗图；将 trim-and-fill 填补研究当作数据 -> 仅作敏感性分析，并列呈现原始与调整结果；亚组森林无交互检验 -> 加入治疗×亚组交互项并报告交互 p；比值森林图线性轴 -> 取对数轴；权重不可见（点大小一致）-> 用 metafor::forest 或设 boxsize。
方法冲突时的处理：固定效应显著而随机效应不显著且 I²>30% -> 信任随机效应；Egger 不显著但漏斗图不对称且 k<10 -> 信任视觉并报告轮廓增强漏斗图；trim-and-fill 填补大量研究 -> 谨慎，作为敏感性而非主要；亚组森林提示效应修饰但交互检验不显著 -> 信任交互检验；MR 森林图各方法估计发散 -> 运行 MR-Egger、加权中位数、基于众数（敏感性）并引用 Bowden 2015。
限制与注意事项：k<3 不做荟萃分析；k<5 不报告 I²；Egger 需 k≥10；trim-and-fill 仅为敏感性分析；轮廓增强漏斗图比通用不对称更具体地指示发表偏倚。版本不匹配时应内省包并适配 API。
信息来源为版本兼容性说明与方法学描述；具体安装命令、收费与价格信息暂未提供。