Implementing pathogen reduction technology while discontinuing blood donor deferral criteria for sexual risk behaviors: A simulation study
Notice bibliographique
Résumé
BACKGROUND: Combining pathogen reduction technology (PRT) with blood screening may alleviate concerns over the risk of transfusion-transmitted infections (TTI) and support changes in blood donor selection to potentially increase blood availability. This study aimed to estimate the residual risk of human immunodeficiency virus (HIV), hepatitis B virus (HBV), and hepatitis C virus (HCV) transfusion-transmission in Canada after implementing PRT, while eliminating deferrals for sexual risk behaviors. STUDY DESIGN AND METHODS: A probabilistic approach that combined Bayesian networks with Monte Carlo simulations was used to estimate the risk of transfusing HIV-, HBV-, or HCV-contaminated blood components. Different scenarios were considered to compare the current residual risk after PRT implementation, with and without donor deferral criteria for sexual risk behaviors. Donor profiles and blood component outcomes were simulated based on a literature review including the prevalence and incidence of HIV, HBV, and HCV in the Canadian blood donor population; the use of current blood screening assays; and HIV, HBV, and HCV blood donor viral loads. RESULTS: In the universal PRT scenario (i.e., with PRT/without deferral criteria), the estimated risks of HIV, HBV, and HCV transmission were significantly lower than those in the currently observed scenario (i.e., without PRT/with deferral criteria). CONCLUSIONS: This risk model suggests that PRT for platelets and plasma (and eventually for RBCs when available) significantly reduces the residual risks of HIV, HBV and HCV transfusion-transmission and could enable the removal of blood donor deferral criteria for sexual risk behaviors.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».