Blood loss from laboratory testing, anemia, and red blood cell transfusion in the intensive care unit: a retrospective study
Notice bibliographique
Résumé
BACKGROUND: Anemia is common in critically ill patients and associated with adverse outcomes. Phlebotomy associated with laboratory testing is a potentially modifiable contributor. This study aims to 1) characterize the blood volume taken for laboratory testing, and 2) explore the effect of blood loss on red blood cell (RBC) transfusion and anemia in adult intensive care unit (ICU) patients. METHODS: Using a transfusion research database, we retrospectively reviewed consecutively admitted patients to four medical-surgical ICUs in Hamilton, Ontario, Canada. The primary outcome was estimated blood loss for laboratory testing during ICU admission. Secondary outcomes were hemoglobin (Hb) of 90 g/L or less and RBC transfusion. RESULTS: Among the 7273 patients included, the median blood volume per patient taken for laboratory testing during their ICU stay was 213 mL (interquartile range [IQR], 133-382 mL). On ICU admission, median Hb was 97 g/L (IQR, 82-116 g/L). An Hb of 90 g/L or less occurred in 67.0% of patients during their ICU stay. Median Hb on ICU discharge adjusted for RBC transfusion was 84 g/L (IQR, 58-105 g/L). RBC transfusion was administered to 47.5% of patients, who received a median of 3 units (IQR, 2-7 units). Cumulative blood loss due to laboratory testing from Day 2 to Day 7 of ICU admission was independently associated with RBC transfusion (hazard ratio, 2.28 for each 150-mL increment; 95% confidence interval, 2.02-2.59). CONCLUSIONS: Blood loss for laboratory testing is substantial in ICU patients and significantly associated with RBC transfusion. Strategies to reduce blood loss from laboratory testing represents an area for further investigation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».