The impact of an antibody investigation algorithm emphasizing specificity on reducing potential false‐positive warm autoantibody detection at a Canadian tertiary care centre
Notice bibliographique
Résumé
Abstract Background and Objectives To reduce potential false‐positive warm autoantibody (WAA) by solid‐phase red cell adherence assay (SPRCA), our centre implemented a new antibody investigation algorithm (AIA) by classifying cases with panreactive SPRCA but negative saline‐indirect antiglobulin test as ‘antibody of undetermined significance’ (AUS) after excluding clinically significant antibodies. We assessed the effects of the new AIA and subsequent alloantibody formation in patients with AUS. Materials and Methods Samples from patients with positive SPRCA screens between 1 September 2017 and 31 August 2021 were selected for the study. Frequencies of antibodies classified by the old and new AIAs were compared using Fisher's exact test. Patient demographics, transfusion history and antibody formation in cases of AUS were collected. Results A significant reduction in potential WAA frequencies from 127/1167 (11%) to 53/854 (6%) was observed ( p < 0.001) when compared between the old and new AIAs among 2021 positive SPRCA antibody screens. While no patients with AUS later transitioned to potential WAA using the new AIA, four patients developed alloantibodies, including anti‐E, anti‐C, both anti‐C and anti‐E, and anti‐Wr a . Conclusion A significant reduction in the frequencies of potential false‐positive WAA detection at our centre was observed after implementing the new AIA, leading to less resource and phenotypically matched red blood cell (RBC) use. Some patients still developed subsequent RBC alloimmunization, so clinically relevant alloantibodies should be carefully excluded before determining AUS, taking forming or evanescent antibodies into consideration.
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 | 0,000 | 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 ».