Sample collection and sample handling errors submitted to the transfusion error surveillance system, 2006 to 2015
Notice bibliographique
Résumé
BACKGROUND: In Canada, transfusion-related errors are voluntarily reported to a tracking system with the goal to systematically improve transfusion safety. This report provides an analysis of sample collection (SC) and sample handling (SH) errors from this national error-tracking system. STUDY DESIGN AND METHODS: Errors from 2006 to 2015 from 23 participating sites were extracted. A survey was conducted to obtain information regarding institutional policies. Samples received in the blood bank were used to calculate rates. "Wrong blood in tube" (WBIT) errors are blood taken from wrong patient and labeled with intended patient's information, or blood taken from intended patient but labeled with another patient's information. RESULTS: A total of 42,363 SC and 14,666 SH errors were reported. Predefined low-severity (low potential for harm) and high-severity errors (potential for fatal outcomes) increased from 2006 to 2015 (low SC, SH: 13-27, 3-12 per 1000; high SC, SH: 1.9-3.7, 0.5-2.0 per 1000). The WBIT rate decreased from 12 to 5.8 per 10,000 between 2006 and 2015 (p < 0.0001). The overall WBIT rate was 6.2 per 10,000, with variability by site (median, 0.3 per 10,000; range, 0-17 per 10,000). Sites with error detection mechanisms, such as regrouping second sample requirements, had lower error rates than sites that did not (SC, SH: 12, 1 per 1000 samples vs. 17, 3 per 1000 samples; p < 0.0001). CONCLUSION: WBIT rates decreased significantly. Low-severity error rates are climbing likely due to increased ascertainment and reporting. Prevention studies are necessary to inform changes to blood transfusion standards to eliminate these errors.
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 | 0,001 | 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 ».