Electronic patient identification for sample labeling reduces wrong blood in tube errors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Wrong blood in tube (WBIT) errors are a preventable cause of ABO-mismatched RBC transfusions. Electronic patient identification systems (e.g., scanning a patient's wristband barcode before pretransfusion sample collection) are thought to reduce WBIT errors, but the effectiveness of these systems is unclear. STUDY DESIGN AND METHODS: Part 1: Using retrospective data, we compared pretransfusion sample WBIT rates at hospitals using manual patient identification (n = 16 sites; >1.6 million samples) with WBIT rates at hospitals using electronic patient identification for some or all sample collections (n = 4 sites; >0.5 million samples). Also, we compared WBIT rates after implementation of electronic patient identification with preimplementation WBIT rates. Causes and frequencies of WBIT errors were evaluated at each site. Part 2: Transfusion service laboratories (n = 18) prospectively typed mislabeled (rejected) samples (n = 2844) to determine WBIT rates among samples with minor labeling errors. RESULTS: Part 1: The overall unadjusted WBIT rate at sites using manual patient identification was 1:10,110 versus 1:35,806 for sites using electronic identification (p < 0.0001). Correcting for repeat samples and silent WBIT errors yielded overall adjusted WBIT rates of 1:3046 for sites using manual identification and 1:14,606 for sites using electronic identification (p < 0.0001), with wide variation among individual sites. Part 2: The unadjusted WBIT rate among mislabeled (rejected) samples was 1:71 (adjusted WBIT rate, 1:28). CONCLUSION: In this study, using electronic patient identification at the time of pretransfusion sample collection was associated with approximately fivefold fewer WBIT errors compared with using manual patient identification. WBIT rates were high among mislabeled (rejected) samples, confirming that rejecting samples with even minor labeling errors helps mitigate the risk of ABO-incompatible transfusions.
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.
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) | 0,000 | 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 découle