1. 更接近实时的“活证据”
自动检索、机器辅助筛选和结构化数据提取可缩短证据更新周期。未来更可行的模式不是每篇新论文都改指南，而是持续监测，只有当新证据可能改变效应估计、确定性或建议时才触发正式更新。
自动化结果必须保留可追溯记录和人工复核。尤其是研究纳入、偏倚判断和 GRADE 降级，往往依赖临床与方法学语境，不能只靠文本相似度完成。
2. 随机试验与日常医疗更紧密地结合
务实性试验、注册平台随机试验和去中心化试验，可以在常规医疗中招募更具代表性的人群，降低研究成本。平台试验能在共同框架下连续评价多个方案，适合疾病快速变化或候选治疗很多的情形。
这类试验需要防止方案频繁变化导致解释困难，并确保知情同意、数据质量、统计错误控制和结果透明。
3. 真实世界证据走向更严格的因果设计
FDA 将真实世界数据定义为日常收集的患者健康或医疗服务数据，真实世界证据则是通过这些数据分析得到的产品使用、潜在获益或风险的临床证据。 它在上市后安全性监测中已使用多年，也逐步进入疗效和监管决策。
未来重点不是在 RCT 与真实世界证据之间选边，而是根据问题组合证据。随机试验提供较强的内部真实性，真实世界数据可补充长期、少见、异质人群和实际实施信息。目标试验模拟、预先方案、适用性数据和敏感性分析会成为基本要求。
4. 从平均治疗效应走向更可信的个体化
精准医疗希望回答“哪类患者更可能获益或受害”。真正可靠的个体化证据需要足够样本、预设分析、外部验证和临床可解释性。仅在许多亚组中找到一个显著结果，通常不够。
对于病情稳定、干预起效和停效较快、结局可重复测量的慢性问题，N-of-1 试验可以在同一患者内交替比较方案。但它不适用于治愈性干预、长期残留效应或不可逆结局。
5. 更重视代表性、公平性和患者参与
研究人群若与实际患者差异很大，再精确的估计也可能无法使用。未来试验和综述需要更系统地报告性别与性别认同、年龄、族群、社会经济条件、残障、合并症和地区差异，并解释哪些人没有进入研究。
患者参与也应从咨询推进到共同确定研究问题、选择结局、设计知情材料、解释结果和制定建议。参与并不意味着以意见取代证据，而是让证据回答更值得回答的问题。
6. 人工智能可以加速证据工作，但不能充当证据本身
人工智能可用于文献检索、去重、初筛、信息抽取、统计代码检查和证据监测。大型多模态模型还能协助生成患者易读摘要。它们的输出需要与原文逐项核对，并记录模型版本、提示、人工修改和错误处理。
WHO 2024 年医疗大型多模态模型指南指出，这类系统可能生成虚假、不准确、有偏或不完整的内容，并带来自动化偏倚、隐私和网络安全风险。 因此，AI 的角色应是受监督的方法工具。临床建议仍需要可验证来源、适用性判断和人员问责。
未来还需要回答几个实证问题：自动化工具是否稳定减少漏检，是否在不同语言和学科中保持性能，是否把既有研究偏倚复制到筛选和总结，以及它们究竟节省了多少时间。性能演示不能代替前瞻性、独立和真实环境评价。
7. 开放科学与可重复研究成为常规要求
研究注册、版本化方案、分析代码、数据字典和可访问的去标识数据，可以帮助发现错误、重复分析并开展可靠的二次研究。开放并非毫无限制地公开患者数据；隐私、同意、数据治理和对原始研究团队的合理署名同样重要。
未来高质量证据的特征，不只是论文写得完整，而是从问题提出到数据、分析和建议都能追溯。对于无法共享的部分，也应说明原因和访问条件。