GRADE工作组做的作组核心事情只有一件：给医学证据的可靠程度打分。这个打分不是作组拍脑袋，它有一套明确到近乎刻板的作组流程。2000年前后，作组一批临床流行病学家和指南制定者凑在一起，作组发现大家推荐治疗方案时经常犯同一个毛病——把低质量证据说得跟铁板钉钉似的作组。于是作组他们决定搞出一套统一语言，让证据强弱有据可查。作组

我第一次接触GRADE是作组在读一篇关于抗凝治疗的Meta分析。作者在结论里写“中等质量证据支持使用利伐沙班”，作组我盯着“中等质量”这四个字愣了半天。作组后来翻到附录才明白，作组GRADE把证据质量分成高、作组中、作组低、作组极低四档。随机对照试验默认算高质量，但如果有偏倚风险、不一致性、间接性、不精确性或发表偏倚，就往下调。观察性研究默认低质量，但如果效应量特别大、有剂量反应关系或者能排除混杂，反而可以往上调。

这套升降级规则听起来机械，实际用起来全是判断。比如“不精确性”这一条，到底置信区间宽到什么程度算不精确？GRADE工作组给过参考阈值，但不同临床问题阈值不同。我见过两个团队评同一批数据，一个说证据质量中等，另一个说低，分歧就在对“不精确”的理解上。这倒不是GRADE的缺陷，它本来就不打算消除判断，只是让判断过程透明。

工作组里有个叫Gordon Guyatt的人，加拿大McMaster大学的教授，算是GRADE的灵魂人物。他早年在RESEARCH METHODS领域就很有名，后来牵头做GRADE时坚持一个原则：证据质量不等于推荐强度。低质量证据可以给出强推荐，比如某些紧急情况下明知证据不足也得用；高质量证据也可能只给弱推荐，因为利弊平衡太微妙。这个区分把很多指南制定者从“证据强就必须推荐强”的惯性里拽了出来。

我观察到一个有意思的现象：GRADE在呼吸科和肿瘤科指南里用得最顺，到了外科和诊断试验领域就磕磕绊绊。外科干预很难做盲法，随机对照试验少，观察性研究多，按GRADE默认规则证据质量普遍偏低。但外科医生不服气——他们觉得手术技术本身就在迭代，等高质量证据出来病人早没了。这种张力其实挺真实，GRADE工作组后来也出了针对诊断试验和预后研究的扩展版，算是妥协。

说回那个抗凝治疗的例子。我后来查了原始数据，发现利伐沙班组的出血事件置信区间确实宽，而且开放标签设计让偏倚风险不低。评“中等质量”已经算客气了。但有意思的是，指南最终给了强推荐，理由不是证据质量高，而是临床净获益明确、患者偏好一致。你看，GRADE把证据和推荐拆开之后，反而让这种“证据不够但推荐很强”的情况有了说理空间。

现在GRADE已经成了Cochrane协作网、WHO和上百个指南机构的标配工具。它不完美，比如培训成本高、评一个系统评价动辄几十小时。但比起以前那种“专家说了算”的模式，至少每一步都能被追问。我见过最较真的评价者，为了一个“间接性”降级理由写了三页纸的说明。这种较真，大概就是GRADE工作组最初想要的东西。