Lessons learned in the collection of convalescent plasma during the COVID‐19 pandemic
Notice bibliographique
Résumé
BACKGROUND: The lack of definitive treatment or preventative options for COVID-19 led many clinicians early on to consider convalescent plasma (CCP) as potentially therapeutic. Regulators, blood centres and hospitals worldwide worked quickly to get CCP to the bedside. Although response was admirable, several areas have been identified to help improve future pandemic management. MATERIALS AND METHODS: A multidisciplinary, multinational subgroup from the ISBT Working Group on COVID-19 was tasked with drafting a manuscript that describes the lessons learned pertaining to procurement and administration of CCP, derived from a comprehensive questionnaire within the subgroup. RESULTS: While each country's responses and preparedness for the pandemic varied, there were shared challenges, spanning supply chain disruptions, staffing, impact of social distancing on the collection of regular blood and CCP products, and the availability of screening and confirmatory SARS-CoV-2 testing for donors and patients. The lack of a general framework to organize data gathering across clinical trials and the desire to provide a potentially life-saving therapeutic through compassionate use hampered the collection of much-needed safety and outcome data worldwide. Communication across all stakeholders was identified as being central to reducing confusion. CONCLUSION: The need for flexibility and adaptability remains paramount when dealing with a pandemic. As the world approaches the first anniversary of the COVID-19 pandemic with rising rates worldwide and over 115 million cases and 2·55 million deaths, respectively, it is important to reflect on how to better prepare for future pandemics as we continue to combat the current one.
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 | 0,001 |
| 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 ».