Reducing Unnecessary Transfusions of RBCs in Inpatients Admitted Across Niagara Health Community Hospitals
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Blood products are scarce resources. Audits on the use of red blood cells (RBCs) in tertiary centers have repeatedly highlighted inappropriate use. Earlier retrospective audit at our local community hospitals has demonstrated that only 85% and 54% of all requests met Choosing Wisely Canada guidelines for pre-transfusion hemoglobin (Hb) of 80 g/L or less and single unit, respectively. We sought to improve RBC utilization by 15% over a period of 12 months (meeting Choosing Wisely Canada criteria of pre-transfusion Hb ≤80g/L by >80% and single-unit transfusion by >65%). METHODS: Following repeated PDSA (Plan-Do-Study-Act) cycles, we implemented educational strategies, prospective transfusion medicine (TM) technologist-led screening of orders, and an RBC order set. RESULTS: The 3-month median percentages of appropriate RBC use for pre-transfusion Hb and single unit (September-November 2021) across all 3 hospitals were 90% and 71%, respectively. Overall, the rate of appropriate RBCs based on pre-transfusion Hb remained above target (>80%), with minimal improvement across all hospitals (median percentage at pre- and post-technologist screening periods of 87% and 90%, respectively). The median percentage of appropriate RBCs based on single-unit transfusion orders has improved across all Niagara Health hospitals with sustained targets (3-month median percentage at pre- and post-technologist screening and most recent time periods of 54%, 56%, and 71%, respectively). CONCLUSIONS: We have taken a collaborative, multifaceted approach to optimizing utilization of RBCs across the Niagara Health hospitals. The rates of appropriate RBC use were comparable with the provincial and national accreditation benchmark standards. In particular, the TM technologist-led screening was effective in producing sustained improvement with respect to single-unit transfusion. One of the balancing outcomes was increasing workload on technologists. Local and provincial efforts are needed to facilitate recruitment and retention of laboratory technologists, especially in community hospitals.
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 | 0,004 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».