How do we decide how representative our donors are for public health surveillance?
Notice bibliographique
Résumé
BACKGROUND: Surveillance of blood donors is fundamental to safety of the blood supply. Such data can also be useful for public health policy but tend to be underutilized. When the COVID-19 pandemic arrived, blood centers around the world measured blood donor SARS-CoV-2 seroprevalence to inform public health policy. There is now a movement toward blood centers becoming more involved in public health research and surveillance post-pandemic. However, blood donors are a healthy population and not representative of all segments of the general population. In this article, we explain how blood centers can evaluate their donor base to understand which part of the general population they are representative of. STUDY DESIGN AND METHODS: Methodologic approaches for evaluating samples relative to the target population were reviewed. Blood donor data that are available to most blood centers were identified and application to assess representativeness of blood donors was evaluated. RESULTS: Key aspects of blood donor data to compare with general population data include donor selection criteria, health indicators, geography, and demographics. In some cases, statistical adjustment can improve representativeness. DISCUSSION: Comparing key blood donor data with corresponding general population data can define the subset of the general population for which a particular blood center's donors may be representative of. We suggest that donors are an ideal convenience population for surveillance of infectious agents which are frequently asymptomatic and main routes of transmission are not deferrable, for studying the natural history of disease in an initially well population, and for vaccination serology surveillance.
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 | 0,001 | 0,002 |
| 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 ».