Blood donor return behavior in South Africa and the United States before and during the <scp>COVID</scp>‐19 pandemic
Notice bibliographique
Résumé
BACKGROUND: Studies preceding the COVID-19 pandemic found that slower time-to-return was associated with first-time, deferred, and mobile drive blood donors. How donor return dynamics changed during the COVID-19 pandemic is not well understood. METHODS: We analyzed visits by whole blood donors from 2017 to 2022 in South Africa (SA) and the United States (US) stratified by mobile and fixed environment, first-time and repeat donor status, and pre-COVID19 (before March 2020) and intra-COVID19. We used Kaplan-Meier curves to characterize time-to-return, cumulative incidence functions to analyze switching between donation environments, and Cox proportional hazards models to analyze factors influencing time-to-return. RESULTS: Overall time-to-return was shorter in SA. Pre-COVID19, the proportion of donors returning within a year of becoming eligible was lower for deferred donors in both countries regardless of donation environment and deferral type. Intra-COVID19, the gap between deferred and non-deferred donors widened in the US but narrowed in SA, where efforts to schedule return visits from deferred donors were intensified, particularly for non-hemoglobin-related deferrals. Intra-COVID19, the proportion of donors returning within a year in SA was higher for deferred first-time donors (>81%) than for successful first-time donors (80% at fixed sites; 69% at mobile drives). CONCLUSIONS: The pandemic complicated efforts to recruit new donors and schedule returning visits after completed donations. Concerted efforts to improve time-to-return for deferred donors helped mitigate donation loss in SA during the public health emergency.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».