A flow cytometric method for platelet counting in platelet concentrates
Notice bibliographique
Résumé
BACKGROUND: The platelets (PLTs) in PLT concentrates are counted with hematology analyzers, but varying results among different hematology analyzers are observed, making comparisons very difficult. Due to the absence of red blood cells in PLT concentrates, the International Council for Standardization in Hematology (ICSH) reference method was modified to be used for PLT concentrates and validated in an international comparative study. STUDY DESIGN AND METHODS: Five PLT samples were shipped to eight participating centers of the Biomedical Excellence for Safer Transfusion (BEST) Collaborative and counted on the same day. PLTs were stained with fluorescein isothiocyanate-labeled anti-CD41a in tubes (TruCount, BD Biosciences), measured on a flow cytometer, and analyzed with a uniform template. These samples were also counted on 15 hematology analyzers. RESULTS: The ICSH method and newly developed BEST method yielded PLT counting results with less than 1% difference (not significant). The intercenter coefficient of variation (CV) of the BEST method was on average 6.3% versus 7.6% on average for hematology analyzers. The CV of individual hematology analyzers was on average 0.9%, which was considerably lower than for the flow cytometers with a mean of 3.7%. CONCLUSION: The BEST flow cytometric method has a smaller intercenter CV and a smaller center-to-center deviation from the group mean compared to hematology analyzers. Conversely, individual hematology analyzers are more precise than the flow cytometric method. Thus, the flow cytometric method provides a calibration tool to allow comparisons between centers, but there is no need to replace routine counting with hematology analyzers.
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 | 0,001 |
| 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 ».