Methodological considerations for linked blood donor‐component‐recipient analyses in transfusion medicine research
Notice bibliographique
Résumé
In recent years, there has been a concerted effort to improve our understanding of the quality and effectiveness of transfused blood components. The expanding use of large datasets built from electronic health records allows the investigation of potential benefits or adverse outcomes associated with transfusion therapy. Together with data collected on blood donors and components, these datasets permit an evaluation of associations between donor or blood component factors and transfusion recipient outcomes. Large linked donor-component recipient datasets provide the power to study exposures relevant to transfusion efficacy and safety, many of which would not otherwise be amenable to study for practical or sample size reasons. Analyses of these large blood banking-transfusion medicine datasets allow for characterization of the populations under study and provide an evidence base for future clinical studies. Knowledge generated from linked analyses have the potential to change the way donors are selected and how components are processed, stored and allocated. However, unrecognized confounding and biased statistical methods continue to be limitations in the study of transfusion exposures and patient outcomes. Results of observational studies of blood donor demographics, storage age, and transfusion practice have been conflicting. This review will summarize statistical and methodological challenges in the analysis of linked blood donor, component, and transfusion recipient outcomes.
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 | 0,735 | 0,826 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,008 | 0,016 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,012 | 0,008 |
| Science ouverte | 0,010 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».