Hospital red blood cell and platelet supply and utilization from March to December of the first year of the <scp>COVID</scp>‐19 pandemic: The <scp>BEST</scp> collaborative study
Notice bibliographique
Résumé
BACKGROUND: At the start of the coronavirus disease 2019 (COVID-19) pandemic, widespread blood shortages were anticipated. We sought to determine how hospital blood supply and blood utilization were affected by the first wave of COVID-19. STUDY DESIGN AND METHODS: Weekly red blood cell (RBC) and platelet (PLT) inventory, transfusion, and outdate data were collected from 13 institutions in the United States, Brazil, Canada, and Denmark from March 1st to December 31st of 2020 and 2019. Data from the sites were aligned based on each site's local first peak of COVID-19 cases, and data from 2020 (pandemic year) were compared with data from the corresponding period in 2019 (pre-pandemic baseline). RESULTS: RBC inventories were 3% lower in 2020 than in 2019 (680 vs. 704, p < .001) and 5% fewer RBCs were transfused per week compared to 2019 (477 vs. 501, p < .001). However, during the first COVID-19 peak, RBC and PLT inventories were higher than normal, as reflected by deviation from par, days on hand, and percent outdated. At this time, 16% fewer inpatient beds were occupied, and 43% fewer surgeries were performed compared to 2019 (p < .001). In contrast to 2019 when there was no correlation, there was, in 2020, significant negative correlations between RBC and PLT days on hand and both percentage occupancy of inpatient beds and percentage of surgeries performed. CONCLUSION: During the COVID-19 pandemic in 2020, RBC and PLT inventories remained adequate. During the first wave of cases, significant decreases in patient care activities were associated with excess RBC and PLT supplies and increased product outdating.
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 | 0,001 | 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) | 0,000 | 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 ».