Establishing performance management objectives and measurements of red blood cell inventory planning in a large tertiary care hospital in British Columbia, Canada
Notice bibliographique
Résumé
Background Traditional key performance indicators (KPIs) for red blood cell (RBC) inventory management such as blood shortage rate (BSR) and outdate rate (ODR) alone are observed to be insensitive for large hospitals, often due to fluctuating demands and rapid turnover. We hypothesized that improvement in complementary KPIs for RBC supply chains, including age of blood as a surrogate for the pre‐hospital and in‐hospital supply chains, may further improve efficiency. Methods Red blood cell supply, inventory and disposition data from a large tertiary care hospital blood bank were retrospectively assessed from June 2014 to 2015 as the baseline period. From June 2015 to 2016, (1) collaboration with the blood supplier to improve logistics and (2) a ‘demand‐driven inventory planning policy’ (DDIP) to determine better inventory levels aided by discrete‐event simulation modelling were instituted. Age of blood transfused (ABT) was chosen as the main KPI for the efficiency of the entire RBC supply chain. Results Improvements in age of blood received (ABR) led to the greatest efficiency gains. Reduction in ABT (28.7 ± 8.8 days vs. 22.1 ± 9.5 days, P < 0.01), ABR (19.4 ± 8.8 days vs. 13.4 ± 7.0 days, P < 0.01), inventory‐to‐transfusion ratio ( P < 0.01), O‐negative RBC utilization (7.4 vs. 6.4 units/day, P < 0.01) and ODR ( P < 0.01) compared to the baseline period was observed without a significant increase in BSR. Conclusion Collaboration with the blood supplier to improve logistics, implementation of DDIP to determine better inventory levels and use of KPIs other than BSR and ODR led to inventory efficiency gains in a large tertiary care hospital blood bank.
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 | 0,001 | 0,005 |
| 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 ».