Regional variation in the modeling of donation frequency: the case of Héma‐Québec, Canada
Notice bibliographique
Résumé
BACKGROUND: Many studies on factors that can affect the frequency of blood donation have shown the influence of several individual characteristics. However, few studies have analyzed regional variations in blood donation frequency. The objective of this article is to verify to what extent individual and geographic variables influence blood donation in the Province of Québec, Canada. STUDY DESIGN AND METHODS: This article used a database provided by Héma-Québec (the organization in charge of blood collection in Québec), which included 426,247 donors, who made 1.4 million donations over a period of 5 years. Using the donors' residential postal codes and those of the blood collection sites, we created two geographic variables: the distance between the donor's place of residence and his or her collection site and each donor's region of residence. We subsequently modeled the frequency of blood donation and the different donor categories (based on the number of blood donations) using both a negative binomial regression model and an ordinal logistic regression model. RESULTS: The results indicate that, once the individual characteristics have been taken into account, the geographic variables, including proximity to the collection site, have a significant impact on the frequency of blood donation. Likewise, according to the results of the negative binomial model, among the 17 regions in the Province of Québec, there are five regions where blood donation incidence rate ratios (IRRs) are very high, that is, Abitibi-Témiscamingue (IRR, 1.77; 95% confidence interval [CI], 1.61-1.95); Bas-Saint-Laurent (IRR, 1.75; 95% CI, 1.59-1.93); Saguenay-Lac-Saint-Jean (IRR, 1.68; 95% CI, 1.53-1.84); Centre-du-Québec (IRR, 1.66; 95% CI, 1.51-1.83); and Chaudière-Appalaches (IRR, 1.62; 95% CI, 1.48-1.78). CONCLUSION: Such knowledge of the geography of blood donations makes it possible to better target certain regions when planning new blood drives, to ensure a constant blood supply.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».