Effectiveness and feasibility of convalescent blood transfusion to reduce COVID-19 fatality ratio
Notice bibliographique
Résumé
As of April 7th 2020, COVID-19 has spread to 209 countries with more than 1,400,000 cases and more than 80,000 deaths. The rapidly increasing number of patients mandates the consideration of potential treatments for patients under severe and critical conditions. Convalescent plasma (CP) treatment refers to the approach of infusing patients with plasma from recently recovered patients. CP appears to be a possible therapeutic option to manage patients suffering from severe or even lethal infectious disorders, in which "traditional therapies" have failed to obtain any result. In the present study, we develop a mathematical model that couples the disease transmission compartmental system with treatment-donation-stockpile dynamics for an optimal implementation of CP therapy to examine potential benefits and complications in the logistic realization of this therapy in a large-scale population. We parameterize the model with COVID-19 epidemics in Italy, and conduct scenario analyses to compare outcomes of population-wide CP therapy and to examine the maximum number of CP donation processions per day under various levels of the effectiveness of the intervention measures implemented in the country. Under the assumption that the fatality ratio of CP is 10% and the population-wide CP was initiated on March 31st 2020, we show that an early start of the population-wide CP therapy can save as many as 6; 451 lives (ranging from 3; 074 to 26; 500 depending on containment effectiveness), while the demand of apheresis use is manageable in all scenarios: the maximum demand is 485 per day (ranging from 455 to 934 depending on containment effectiveness). Given that Italy has 61 centers with apheresis this maximum demand level corresponds to a daily average of 8 processions of CP donation (ranging from 7:5 to 15 depending on containment effectiveness) being performed by each center.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».