Iron status and risk factors for iron depletion in a racially/ethnically diverse blood donor population
Notice bibliographique
Résumé
BACKGROUND: The optimal approach for reducing iron depletion (ID) in blood donors may vary depending on biologic or behavioral differences across donors. STUDY DESIGN AND METHODS: More than 12,600 successful whole blood donors were enrolled from four US blood centers for ferritin testing. The study population was enriched for racial/ethnic minorities (1605 African American, 1616 Asian, 1023 Hispanic). Subjects completed questionnaires on ID risk factors. Logistic regression identified predictors of absent iron stores (AIS; ferritin <12 ng/mL) and low ferritin (LF; ferritin <26 ng/mL). RESULTS: Across all subjects, 19% had AIS and 42% had LF, with a sharp increase in risk observed with increasing donation intensity and among women a large decrease in risk in those more than 50 years old. When other factors were controlled for, African American and Asian donors showed 20% to 25% decreased risk for AIS compared to non-Hispanic Caucasian donors, while Hispanic donors had 25% higher risk. Daily iron supplementation reduced risk for LF and AIS by 30% to 40%, respectively, while the benefit from less frequent use was lower (7%-19% protection). Regular antacid use was associated with at least 20% increment to risk. Use of oral contraceptives or estrogen in females reduced risk by 16% to 22%, while males who reported supplemental testosterone use had a 50% to 125% greater risk for LF and AIS. CONCLUSIONS: This study confirms high prevalence of LF and AIS in US donors and the principal risk factors of age, sex, and donation frequency. Additional demographic and behavioral risk factors of secondary importance might allow for refinement of ID mitigation strategies.
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 ».