Modeling the risk of an emerging pathogen entering the Canadian blood supply
Notice bibliographique
Résumé
BACKGROUND: As part of its risk management process, Canadian Blood Services (CBS) constructed mathematical models of how newly emerging pathogens might affect blood transfusion recipients. STUDY DESIGN AND METHODS: CBS convened an expert panel including medical, health economics, analytical, risk management, and insurance professionals to examine multiple data sources. The model for emerging pathogen risk included separate modules to calculate the frequency and severity of infections from transfusion-transmitted agents that could cause either acute transient or chronic persistent infection. Important model input variables were annual number of components transfused, the presumed incidence and prevalence of a new agent, the time interval of recipient risk, recipient age and sex, projected recipient survival, rate of secondary infection, pathogen-induced morbidity, and the associated medical costs of such morbidity. RESULTS: In the 5-year time frame considered in the model, it was estimated that approximately 3500 recipient infections (two-SD range of 0 to 11,370 infections) could occur from an emerging pathogen that establishes a chronic infection in donors, with 60% of these due to red blood cell transfusion. The medical costs associated with recipient outcomes due to a catastrophic emerging pathogen could be lowered by 20% if an effective pathogen reduction method for either platelets or plasma were in place. CONCLUSION: This modeling exercise offers a framework for other blood services to construct similar models. It also provides a useful way to model the implementation of new blood safety interventions (e.g., pathogen reduction) on emerging pathogen risk.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».