Trends in <scp>US</scp> minority red blood cell unit donations
Notice bibliographique
Résumé
BACKGROUND: To provide the appropriately diverse blood supply necessary to support alloimmunized and chronically transfused patients, minority donation recruitment programs have been implemented. This study investigated temporal changes in minority red blood cell (RBC) donation patterns in the United States. STUDY DESIGN AND METHODS: Data on donor race and ethnicity from 2006 through 2015, including the number of unique donors, collections, RBCs successfully donated, and average annual number of RBC donations per donor (donor fraction), were collected from eight US blood collectors. Minority donors were stratified into the following groups: Asian, black or African American, Hispanic or Latino, Native Indian or Alaska Native, Native Hawaiian or other Pacific Islander, white, multiracial/other, and no answer/not sure. RESULTS: Over the 10-year period, white donors annually constituted the majority of unique donors (range, 70.7%-73.9%), had the greatest proportion of collections (range, 76.1%-79.8%), and donated the greatest proportion of RBC units (range, 76.3%-80.2%). These donors also had the highest annual donor fraction (range, 1.82-1.91 units per donor). Black or African American donors annually constituted between 4.9 and 5.2% of all donors during the study period and donated between 4.0 and 4.3% of all RBC units. Linear regression analysis revealed decreasing numbers of donors, collections, and donated RBC units from white donors over time. CONCLUSION: Although the US population has diversified, and minority recruitment programs have been implemented, white donors constitute the majority of RBC donors and donations. Focused and effective efforts are needed to increase the proportion of minority donors.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».