The use of predictive modelling to determine the likelihood of donor return during the <scp>COVID</scp>‐19 pandemic
Notice bibliographique
Résumé
Artificial intelligence (AI) uses sophisticated algorithms to "learn" from large volumes of data. This could be used to optimise recruitment of blood donors through predictive modelling of future blood supply, based on previous donation and transfusion demand. We sought to assess utilisation of predictive modelling and AI blood establishments (BE) and conducted predictive modelling to illustrate its use. A BE survey of data modelling and AI was disseminated to the International Society of Blood transfusion members. Additional anonymzed data were obtained from Italy, Singapore and the United States (US) to build predictive models for each region, using January 2018 through August 2019 data to determine likelihood of donation within a prescribed number of months. Donations were from March 2020 to June 2021. Ninety ISBT members responded to the survey. Predictive modelling was used by 33 (36.7%) respondents and 12 (13.3%) reported AI use. Forty-four (48.9%) indicated their institutions do not utilise predictive modelling nor AI to predict transfusion demand or optimise donor recruitment. In the predictive modelling case study involving three sites, the most important variable for predicting donor return was number of previous donations for Italy and the US, and donation frequency for Singapore. Donation rates declined in each region during COVID-19. Throughout the observation period the predictive model was able to consistently identify those individuals who were most likely to return to donate blood. The majority of BE do not use predictive modelling and AI. The effectiveness of predictive model in determining likelihood of donor return was validated; implementation of this method could prove useful for BE operations.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 ».