GRADE把证据质量分成四级：高、据质中、量评低、据质极低。量评这不是据质拍脑袋定的，而是量评一套有明确降级和升级规则的评估体系。我最初接触它时以为又是据质那种“专家共识”式的模糊打分，后来发现它其实相当“较真”——每一个降级理由都必须落在具体维度上，量评不能笼统说一句“研究质量不行”就完事。据质

先说降级的量评五个维度。偏倚风险排第一，据质随机化有没有做好、量评盲法有没有破、据质失访率是量评不是高得离谱，这些都会拉低证据等级。据质举个例子，一项关于某降压药的RCT，如果对照组和试验组在基线特征上差异明显，那偏倚风险这一项就直接扣分。不一致性指的是不同研究之间结论打架，比如五项试验里三项说有效、两项说无效，异质性I²超过50%，那证据质量就得降。间接性更微妙——你研究的是A药对B人群的效果，但实际想推广到C人群，这叫间接。不精确性看置信区间，如果区间宽得能从“显著有效”跨到“可能有害”，那这证据就没法给人吃定心丸。发表偏倚则是那些抽屉里的阴性结果没被发表，导致整体效应被高估。

升级规则只有三条，但门槛不低。效应量极大可以升级，比如某干预的RR值超过5或者小于0.2，而且没有明显偏倚风险，那观察性研究也能往上提。剂量-反应关系也算，如果药物剂量增加、效应也跟着增强，这种一致性会加分。还有一条容易被忽略：如果所有可能的混杂因素都只会削弱观察到的效应，而不是夸大它，那也可以升级。我见过一个经典案例，某观察性研究发现吸烟与某罕见病强相关，研究者论证了“如果存在未测量混杂，只会让这个关联看起来更弱”，于是证据等级被上调。

实际用起来，GRADE最考验人的地方在于：它不要求你机械地数数，而是逼你解释为什么降级。我参与过一次系统评价，两个评价者独立打分，结果一个给“低”、一个给“极低”，分歧点就在不精确性上——一个认为置信区间虽然宽但方向一致，另一个觉得宽度已经影响决策。最后靠讨论解决，不是靠投票。这种主观判断空间恰恰是GRADE的“人味”所在，它承认证据评价不是纯数学。

还有一点，GRADE的“质量”指的是对效应估计的信心，不是研究本身的好坏。一个设计精良的RCT，如果样本量太小导致置信区间极宽，照样可能被降为低质量。反过来，一个观察性研究如果效应量巨大且剂量-反应关系明确，也可能升到中等。这种灵活性让它在临床指南制定中很实用，但也容易被误用——有人拿“低质量证据”当挡箭牌，忽略它其实是在说“我们对这个估计没太大把握”，而不是“这个干预肯定没用”。

最后提一个常见误解：GRADE不是只给RCT用。观察性研究初始就是低质量，但可以通过升级规则往上走。RCT初始是高质量，但五个降级维度随时可能把它拉下来。所以别一看“RCT”就默认高质量，也别一看“队列研究”就判死刑。关键看你怎么论证那些降级和升级的理由。我自己的习惯是，每次评价完都写一段“证据概要”，把降级原因和最终等级之间的逻辑链说清楚，否则读者根本不知道那个“低”字是怎么来的。