Donor audits in deceased organ donation: a scoping review
Notice bibliographique
Résumé
PURPOSE: We sought to collate and summarize existing literature on donor audits (DA) and how they have been used to guide deceased organ donation and transplantation system performance and quality assurance. SOURCE: We searched MEDLINE, Cumulative Index of Nursing and Allied Health Literature, and Web of Science supplemented by Google to identify grey literature on 6 May 2022, to locate studies in English, French, and Spanish. The data were screened, extracted, and analyzed independently by two reviewers. We grouped the results into five categories: 1) motivation for DA, 2) DA methodology, 3) potential and actual donors, 4) missed donation opportunities, and 5) quality improvement. PRINCIPAL FINDINGS: The search yielded 2,416 unique publications and 52 were included in this review. Most studies were from the UK (n = 13) and published between 2001 and 2006 (n = 15). The methodologies described for DA were diverse. Our findings showed that the primary motivation for conducting DA was to identify potential donors and the number of potential deceased organ donors is significantly higher than the number of actual donors. Among retrieved studies, the proportion of donation opportunities following neurologic determination of death was 95/222 (43%) compared with 25/181 (14%) for donation after cardiocirculatory death (DCD), suggesting that the missed donation rate is higher for DCD. CONCLUSION: Donor audits help identify missed donation opportunities along the deceased donation pathway and can help support the evaluation of quality improvement initiatives.
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 | 0,056 | 0,212 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,027 | 0,037 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».