Prevention of transfusion-transmitted infections
Notice bibliographique
Résumé
Abstract Since the 1970s, introduction of serological assays targeting virus-specific antibodies and antigens has been effective in identifying blood donations infected with the classic transfusion-transmitted infectious agents (TTIs; hepatitis B virus [HBV], HIV, human T-cell lymphotropic virus types I and II, hepatitis C virus [HCV]). Subsequently, progressive implementation of nucleic acid–amplification technology (NAT) screening for HIV, HCV, and HBV has reduced the residual risk of infectious-window-period donations, such that per unit risks are <1 in 1 000 000 in the United States, other high-income countries, and in high-incidence regions performing NAT. NAT screening has emerged as the preferred option for detection of newer TTIs including West Nile virus, Zika virus (ZIKV), and Babesia microti. Although there is continual need to monitor current risks due to established TTI, ongoing challenges in blood safety relate primarily to surveillance for emerging agents coupled with development of rapid response mechanisms when such agents are identified. Recent progress in development and implementation of pathogen-reduction technologies (PRTs) provide the opportunity for proactive rather than reactive response to blood-safety threats. Risk-based decision-making tools and cost-effectiveness models have proved useful to quantify infectious risks and place new interventions in context. However, as evidenced by the 2015 to 2017 ZIKV pandemic, a level of tolerable risk has yet to be defined in such a way that conflicting factors (eg, theoretical recipient risk, blood availability, cost, and commercial interests) can be reconciled. A unified approach to TTIs is needed, whereby novel tests and PRTs replace, rather than add to, existing interventions, thereby ameliorating cost and logistical burden to blood centers and hospitals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».