Hemovigilance data: An effective approach for evaluating bacterial protection systems for platelet transfusions
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Septic transfusion reactions due to bacterial contamination in platelet concentrates (PCs) are continually reported to hemovigilance (HV) programs. Worldwide, blood centers use different systems to avoid transfusion-associated bacterial sepsis in PCs. Herein, national HV data were gathered to compare bacterial protection systems and to assess the risk of bacterial contamination. MATERIALS AND METHODS: HV data with definite transfusion-associated bacterial sepsis in PCs were obtained from Australia, Canada, the United Kingdom (U. K.), and Switzerland between 2006 and 2016. These data were reviewed to evaluate bacterial protection systems including early small-volume (ESV), early large-volume (ELV), and delayed large-volume (DLV) bacterial culture screening and pathogen inactivation (PI) treatment. RESULTS: < 0.05) in transfusion-associated bacterial sepsis for the period of 2011-2016 compared to the prior 4 years (2006-2010). Approximately 1.86 million DLV bacterial culture-screened PCs and 0.21 million PI-treated PCs were issued with no reported septic fatalities nor cases of life-threatening sepsis. In Australia, two life-threatening septic transfusion reactions (1.923 per million) were reported out of almost 1.04 million ELV bacterial culture-screened PCs, and no septic fatalities were reported. Meanwhile, in Canada, four life-threatening septic transfusion reactions (3.6/million) and one fatality (0.9/million) were observed in about 1.11 million ESV bacterial culture-screened PCs. CONCLUSION: DLV bacterial culture and PI treatment significantly reduced the incidence of septic reactions. The advantages and disadvantages of both systems merit further investigation before implementation.
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 | 0,007 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».