Development of a peripheral blood morphology proficiency assessment program using the CellaVision<sup>®</sup> Proficiency Software
Notice bibliographique
Résumé
Abstract Objectives Proficiency programs allow hospital laboratories to evaluate and improve diagnostic performance. A cloud-based proficiency program was launched in 2017 to standardize peripheral blood morphology assessments in hospital laboratories across the province of Nova Scotia. Methods The CellaVision ® Proficiency Software was used to evaluate peripheral blood morphology assessments. A different blood film featuring a specific red or white cell finding or normal morphology was evaluated each month. Each hospital’s proficiency slide completion and pass rates were monitored, which helped inform remediation efforts. Results In 2017, 213 medical laboratory technologists from 14 hospital laboratories enrolled in the proficiency program. The average completion rate for monthly proficiency assessments between 2017 and 2022 was 90 %. During that time, the pass rate increased from 59 to 95 % and 73 to 89 % for red and white blood cell assessments, respectively. By 2022, four hospital laboratories and 83 medical laboratory technologists stopped performing peripheral blood assessments. Conclusions The CellaVision ® Proficiency Software facilitated a centralized peripheral blood morphology proficiency assessment program for geographically distributed hospital sites. The use of this software increased the quality of peripheral blood morphology assessments in Nova Scotia by simplifying the evaluation of and education on peripheral blood morphology skills.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».