Trends in age and red blood cell donation habits among several racial/ethnic minority groups in the United States
Notice bibliographique
Résumé
BACKGROUND: To meet the needs of a diverse patient population, an adequate supply of red blood cells (RBCs) from ethnic/racial minority donors is essential. We previously described the 10-year changes in minority blood donation in the United States. This study describes donation patterns by donor status, age, and race/ethnicity. STUDY DESIGN AND METHODS: Data on the age and the number of unique black/African American, Hispanic/Latino, Asian, and white RBC donors were obtained from eight US blood collectors for 2006, 2009, 2012, and 2015. Donors self-identified their race/ethnicity. First-time (FT) and repeat (R) donors were analyzed separately. RESULTS: Overall, for both FT and R donor groups, whites constituted the majority of unique donors (FT 66.7% and R 82.7%) and also donated the greatest proportion of RBC units (FT 66.6% and R 83.8%). Donors less than 20 years old comprised the greatest proportion of FT donors for all racial/ethnic groups (39.2%) and had the highest mean number of RBC donations per donor (1.12) among FT donors. Conversely, R donors less than 20 years old had some of the lowest mean number of RBC donations per donor (1.55) among R donors, whereas R donors at least 60 years old had the highest mean (1.88). Year by year, the percentage of FT donors who were less than 20 years old increased for all race/ethnicities. For R donors, whites were more frequently older, while Hispanics/Latinos and Asians were younger. CONCLUSIONS: Greater efforts to convert FT donors less than 20 years into R donors should be undertaken to ensure the continued diversity of the 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 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».