目前網狀 Meta 分析已得到飛速發展和廣泛應用，具有可量化比較相同主題的 2 種以上不同處理措施的相對優勢的特點。但由于存在多個干預措施的比較，增加了其結果解讀的復雜性，解讀時對證據可信度的忽略也導致了結論存在誤導性。近期，GRADE 工作組提出了 2 種網狀 Meta 分析結論形成的方法，即部分背景化框架與最小背景化框架。本文聚焦于部分背景化框架，當使用該框架時，作者必須確定效應閾值，以區分無效、較小效應、中等效應和較大效應。部分背景化框架的指導原則包括根據效應大小與利弊對干預措施進行分類，及分類時考慮效應的點估計值和干預措施排序，綜合考慮證據可信度（證據質量）以得出結論。本文結合實例，對部分背景化框架的原理步驟進行描述和闡釋，以期為該方法在網狀 Meta 分析結果解讀與結論形成環節的應用提供指導。
網狀 Meta 分析的最大優勢在于可量化比較針對同一疾病的不同干預措施，并按某一指標對其優劣進行排序。多種干預措施的納入增加了網狀 Meta 分析結果解讀的復雜性，僅基于排序結果進行解讀可能會存在誤導性。目前，對網狀 Meta 分析結果的解讀尚無公認的標準。2020 年 11 月，GRADE 工作組基于網狀 Meta 分析的 GRADE 分級結果，提出了 2 種網狀 Meta 分析結論形成的方法：部分背景化框架（partially contextualised framework）和最小背景化框架（minimally contextualised framework）。本文結合具體實例，旨在對最小背景化框架的方法、原理和步驟進行介紹，以期為網狀 Meta 分析制作者采用該方法呈現和解讀結果提供指導。
