P‐IT‐7 | Implementation of a New Laboratory Information System in a Blood Center Based Immunohematology Reference Laboratory: A Single‐Center's Experience
Notice bibliographique
Résumé
Study Design/Methods: Experts in Transfusion Medicine and Informatics collaborated to develop a userfriendly tool to automate blood bank data analytics for a group of hospitals using the same LIS.Initially, a limited volume of detailed blood product and patient history was extracted from LIS and validated by two different parameters: comparing product counts defined in a certain period to utilization reports generated by manual tallying and comparing the extracted data parameters to the actual data within the LIS.The dataset was expanded by repetitive data extracts and validations.The QADB was then designed, and the validated blood bank data was uploaded and revalidated to show that it accurately reflected the dataset.Once this was confirmed, an extract-transform-load (ETL) was created to allow for daily data flow from the LIS to the QADB.This daily extract was then imported into Microsoft Power BI to create various dashboards and visualizations for data review and analysis for end users.Results/Findings: Results: The capability to easily manipulate, analyze and share the data has made a great impact on our data collection and quality management programs.Blood bank personnel are now able to retrieve accurate and timely statistics by using Microsoft Power BI, Excel pivot tables and analytical tools available in any computer with access to Microsoft 365.Interactive dashboards allow filtering and color-coding to enhance visualization.The workflow and examples of dashboards can be seen in Figure 1.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».