Application of unsupervised machine learning to identify areas of blood product wastage in transfusion medicine
Notice bibliographique
Résumé
BACKGROUND: Wastage of blood products can be a significant cost to blood banks. However, the cause of wastage is often complex and makes it difficult to determine wastage-associated factors. Machine learning techniques may be useful tools to investigate these complex associations. We investigated whether unsupervised machine learning can identify patterns associated with wastage in our blood bank. MATERIALS AND METHODS: Data on red blood cells, platelets and frozen products were obtained from the laboratory information system of the Central Zone Blood Transfusion Services at Nova Scotia Health Authority. A total of 879 532 transactions were analysed by association rule mining, a type of machine learning algorithm. Associations with lift scores greater than 25 and with clinical relevance were flagged for further examination. RESULTS: Association rule mining returned a total of 3355 associations related to wastage. Several notable associations were identified. For example, certain wards were associated with wastage due to thawing unused frozen products. Other examples included association between smaller blood banks and evening work shifts with product wastage due to excess time outside the laboratory or returning products with high temperatures. CONCLUSION: This paper demonstrates the effective use of unsupervised machine learning for the purpose of investigating wastage in a large blood bank. The use of association rule mining was able to identify wastage factors, which can help guide quality improvement initiatives. This technique can be automated to provide rapid analysis of complex associations contributing to wastage and could be utilized in modern blood banks.
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 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».