Prediction of donation return rate in young donors using machine‐learning models
Notice bibliographique
Résumé
Abstract Background and objectives The identification of factors leading to high or low return rates among volunteer blood donors is increasingly important to maintain sufficient blood supply. A particular focus on young donors is an essential component of blood bank donor retention strategy. By means of large databases, our aim was to predict the donation frequency pattern of young donors using a random forest model, to potentially improve donor retention and increase donation frequency. Materials and methods Random forests are an ensemble learning method for classification and regression designed to produce accurate predictions that do not overfit the data. They consist of a large number of independent decision trees that operate as an ensemble and classify data into groups in a sequential manner, using time‐specific cut‐offs to differentiate groups into branches. Since a large number of trees are grown, prediction of donation behaviour in young donors will be made with limited generalization errors. Results The final dataset analysed was composed of 81 986 donors aged 18–24 at the last donation. The model correctly predicts more than 91% of the donation frequencies, with an overall error rate of 8·16% and specific error rates of 4·6% and 12·3% for ‘unreturned donor’ and ‘returned donor’ groups, respectively. The best predictive variables used in the model appear to be the number of contacts used by the marketing department, the donors’ age, the number of adverse effects during donation, the donors’ status and the ethnicity. Conclusion Our results provide relevant information for interpreting donor behaviour and could contribute to the improvement of initiatives by blood services to increase donation return rate.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,009 |
| 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 ».