Survey for bacterial testing of platelet components in Latin America
Notice bibliographique
Résumé
Introduction Bacterial contamination of platelet concentrates ( PC s) poses the highest post‐transfusion infectious risk in developed countries. However, there is not extensive information about similar strategies implemented in Latin America. Aim To assess the status of platelet screening for bacterial contamination in Latin American blood banks. Methods An online‐based survey with 10 comprehensive questions was sent to 46 blood banks in five countries: Argentina, Brazil, Colombia, Honduras and Mexico. The centres were asked about PC production and shelf life, and strategies to improve PC safety. Centres were also surveyed regarding postsampling quarantine, results interpretation and haemovigilance data. Results Ten centres(21·8%) in four countries answered the survey. Annual PC production ranges from 600 to 19 200. All sites store PC s for 5 days, and eight sites use leucocyte reduction. Five centres(50%) produce apheresis and platelet‐rich‐plasma PC s, one centre(10%) produces buffy coat ( BC ) PC s, one centre(10%) produces apheresis PC s, and three centres(30%) produce apheresis and BC PC s. Nine sites reported using established donor skin donor disinfection protocols, eight employ first aliquot diversion, and two visually inspect PC s. Eight sites screen PC s for bacterial contamination with culture methods: three sites(37·5%) test 1% of outdated PC s and five sites(62·5%) test 100% of PC s 20‐24 h after blood collection. Of these five sites, two quarantine PC s for 24 h after sampling. Three sites have haemovigilance data, which are unavailable to the public. No sites have implemented pathogen reduction technologies. Conclusions Screening practices and mitigation strategies vary considerably between sites highlighting the need for standardisation of procedures in Latin America.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».