Outpatient Phlebotomy Success and Reasons for Specimen Rejection
Notice bibliographique
Résumé
Abstract Objectives.—To determine the rate with which blood collection is successful on the initial phlebotomy encounter, the rate with which laboratory personnel judge specimens unsuitable for analysis, and the practice characteristics associated with fewer unsuccessful collections and fewer rejected specimens. Design.—Clinical laboratories participating in the College of American Pathologists Q-Probes laboratory improvement program prospectively characterized the outcome of outpatient phlebotomies for 3 months or until 20 unsuccessful phlebotomy encounters occurred. By questionnaire, participants provided information about test ordering, patient preparation, and specimen collection. Setting and Participants.—Institutions in the United States (n = 202), Canada (n = 4), Australia (n = 3), and South Korea (n = 1). Main Outcome Measures.—Percentage of successful encounters and percentage of unsuitable specimens. Results.—Of 833289 encounters, 829723 were successful. Phlebotomies were unsuccessful because patients were not fasting as directed (32.2%), phlebotomy orders were missing information (22.5%), patients specimens were difficult to draw (13.0%), patients left the collection area before specimens were collected (11.8%), patients were improperly prepared for reasons other than fasting (6.3%), patients presented at the wrong time (3.1%), or for other reasons (11.8%). Only 2153 specimens (0.3%) were unsuitable; these samples were hemolyzed (18.1%), of insufficient quantity (16.0%), clotted (13.4%), lost or not received in the laboratory (11.5%), inadequately labeled (5.8%), at variance with previous or expected results (4.8%), or unacceptable for other reasons (31.1%). Facilities staffed by laboratory-administered phlebotomists reported higher success rates than facilities staffed by nonlaboratory-administered phlebotomists (P = .002). Conclusions.—Most outpatient phlebotomy encounters are successful and result in specimens suitable for laboratory analysis.
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 | 0,003 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».