Variations in RBC and frozen plasma utilization rates across 62 Ontario community hospitals
Notice bibliographique
Résumé
BACKGROUND: Recent province-wide audits of frozen plasma (FP) and RBC use in Ontario showed a high rate of inappropriate transfusions. STUDY DESIGN AND METHODS: This was a retrospective, ecological study to determine variations in RBC and FP utilization rates across Ontario community hospitals between 2012 and 2017. Annual utilization rates were reported using descriptive statistics. Rates of blood component use were correlated with size of hospital, presence of specialized programs, and quality improvement (QI) initiatives, using Poisson regression. RESULTS: RBC and FP utilization rates decreased from 2012 to 2017 (p = 0.03 for FP; p < 0.01 for RBC). There was a 10-fold difference in RBC and FP transfusion rates between the highest and lowest users. Smaller hospitals (p < 0.05) and sites with any QI initiative (p = 0.006) were associated with lower FP utilization rates. Hospitals without cancer programs (p = 0.02) and sites with RBC guidelines (p = 0.05) or with technologists who prospectively screened transfusion orders (p = 0.01) had lower RBC transfusion rates. RBC utilization rates decreased further after the implementation of RBC guidelines (p = 0.02) and order sets (p = 0.005). There was a positive correlation between FP and RBC transfusion rates for each fiscal year (p < 0.005 for all years). CONCLUSION: RBC and FP utilization showed wide variation across community hospitals in Ontario. Overall, transfusion rates decreased over time. A further decrease was observed at sites with QI initiatives, supporting their implementation in reducing utilization. These data will serve as a baseline to highlight sites and practices where QI initiatives may be most beneficial and replicated in other jurisdictions.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».