The successful implementation of an automated institution‐wide assessment of hemoglobin and ABO typing to dynamically estimate red blood cell inventory requirements
Notice bibliographique
Résumé
BACKGROUND: Blood bank inventories must balance adequate supply with minimal outdate rates. The day-to-day practice of ordering red blood cell (RBC) inventory usually involves manually comparing current inventory levels with predetermined thresholds calculated from historical usage and ordering the difference. To date, there have been no published methods for ordering RBC inventory based on laboratory characteristics of admitted patients. STUDY DESIGN AND METHODS: We designed and implemented a blood ordering algorithm to provide a more accurate measure of predicted RBC utilization in our institution. Cerner Command Language (Cerner Millennium) was used to extract and combine historical RBC unit usage, current inventory levels, and system-wide hematology values and blood groups. This report contains a suggested order based on current inventory, historical inventory data, ABO group, and the current "anemia index" for the institution. RESULTS: The mean daily total RBC inventory was significantly reduced after implementation (401.7 units vs. 309.0 units, p < 0.05). There was a significant reduction in monthly RBC outdates in this period (19.1 vs. 8.1, p < 0.05). The age of RBCs at time of transfusion was reduced as well. CONCLUSION: We developed a novel algorithm that automatically generates a suggested RBC inventory order using real-time hospital-wide survey of patient ABO typing, hematology values, and historical data. After implementation of the algorithm we demonstrated a significant reduction in daily inventory levels and RBC outdate rates.
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) | 0,000 | 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 ».