Feasibility and Optimization of Donation Advisor: a Decision Support Tool for Deceased Organ Donation and Transplantation
Notice bibliographique
Résumé
Background: This study aimed to evaluate the ability of Donation Advisor (DA), a validated clinical decision support tool that uses continuous monitoring, variability analysis, and predictive models, to (i) predict likelihood of successful donation after circulatory determination of death (DCD) before withdrawal of life-sustaining measures (WLSM), and (ii) describe ischemia during WLSM in DCD patients. Methods: Eligible patients were screened at the 5 sites where DA was implemented. DA reports were generated in real time but shown to clinicians after the donation was complete (noninterventional). Clinicians were interviewed for improvement of the tool. Results: We enrolled 34 donor patients in the study; 27 had DCD attempts and 20 proceeded to organ recovery. DA reports were generated before WLSM in all 27 attempted DCD patients (100%) while post-WLSM ischemia reports were generated in 26 of 27 DCD attempts (96%). Nineteen of 34 involved clinicians completed interviews, 10 from intensive care, and 9 from transplantation team members. Following a user-centered design approach, feedback was used to create 5 versions. Revisions included additions, removals, clarifications, and formatting changes; the number of revisions decreased with each amendment. The report's predictive scores were found to be useful by most practitioners (83%). We identified barriers and drivers to use the report in future practice, some of which may be addressed through improved education and awareness. Conclusions: DA can be deployed in real time during the DCD process. The usefulness and usability of the DA report has improved through user feedback; both barriers and drivers to implementation exist.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».