A <scp>data‐informed</scp> system to manage scarce blood product allocation in a randomized controlled trial of convalescent plasma
Notice bibliographique
Résumé
BACKGROUND: Equitable allocation of scarce blood products needed for a randomized controlled trial (RCT) is a complex decision-making process within the blood supply chain. Strategies to improve resource allocation in this setting are lacking. METHODS: We designed a custom-made, computerized system to manage the inventory and allocation of COVID-19 convalescent plasma (CCP) in a multi-site RCT, CONCOR-1. A hub-and-spoke distribution model enabled real-time inventory monitoring and assignment for randomization. A live CCP inventory system using REDCap was programmed for spoke sites to reserve, assign, and order CCP from hospital hubs. A data-driven mixed-integer programming model with supply and demand forecasting was developed to guide the equitable allocation of CCP at hubs across Canada (excluding Québec). RESULTS: 18/38 hospital study sites were hubs with a median of 2 spoke sites per hub. A total of 394.5 500-ml doses of CCP were distributed; 349.5 (88.6%) doses were transfused; 9.5 (2.4%) were wasted due to mechanical damage sustained to the blood bags; 35.5 (9.0%) were unused at the end of the trial. Due to supply shortages, 53/394.5 (13.4%) doses were imported from Héma-Québec to Canadian Blood Services (CBS), and 125 (31.7%) were transferred between CBS regional distribution centers to meet demand. 137/349.5 (39.2%) and 212.5 (60.8%) doses were transfused at hubs and spoke sites, respectively. The mean percentages of total unmet demand were similar across the hubs, indicating equitable allocation, using our model. CONCLUSION: Computerized tools can provide efficient and immediate solutions for equitable allocation decisions of scarce blood products in RCTs.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».