MétaCan
Menu
Retour à la cohorte
Enregistrement W4414190713 · doi:10.1101/2025.09.12.25335172

Creating and evaluating a decision support tool to reduce critically low hemoglobin and blood transfusions in-hospital

2025· preprint· en· W4414190713 sur OpenAlexaffabout
Michael Fralick, Stephanie Lee, Meggie Debnath, Derek Beaton, B Jones, Vera Dounaevskaia, Yuna Lee, Michael Colacci, Orly Bogler, Frank Rudzicz, Muhammad Mamdani

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBlood donation and transfusion practices
Établissements canadiensDalhousie UniversityToronto Public HealthUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésHemoglobinProspective cohort studyClinical decision support systemCohort studyRetrospective cohort studyAnticoagulantCritically illBlood transfusion

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Background Hospitalized patients have multiple risk factors for bleeding including critical illness, interventional procedures, frequent phlebotomy, and use of anticoagulant and antiplatelet medications. It is unknown if a decision support tool to identify inpatients at highest risk of bleeding can prevent critically low hemoglobin and its associated sequelae, such as requiring blood transfusion. Objective To create a decision support tool to identify hospitalized patients at high risk of bleeding sequelae (“high risk”) and to evaluate the impact of this tool on rates of critically low hemoglobin and blood transfusion. Methods We conducted a cohort study of patients hospitalized under general internal medicine at a tertiary-care teaching hospital in Toronto, Ontario. We defined “high risk” as patients with a hemoglobin < 86 g/L, or an absolute decrease in hemoglobin of ≥ 30 g/L, or a platelet count < 50 x 10 9 /L. We then created, implemented, and prospectively evaluated a decision support tool to identify these high-risk patients and alert their clinical team. Our primary outcome was the percentage of patients who received a blood transfusion. Results Our retrospective pre-deployment phase included 6,401 hospitalizations and our prospective phase included 4,274 hospitalizations. The median age of patients was 67 years (IQR 52,80), 43% were female, and the median length of stay was 5 days (IQR 2,10). Overall, 9% had a hemoglobin of 70 g/L or lower and 10% received a blood transfusion in hospital. After model implementation, the median timing of alerts was 1 day after admission (IQR 1,4). The most common trigger for an alert was a hemoglobin < 86 g/L (N=624, 76%), followed by a decrease in hemoglobin ≥ 30 g/L (N=131, 16%), and a platelet count < 50 x 10 9 /L (N=37, 5%). Deployment of the decision support tool was associated with a reduction in the primary outcome (OR 0.78, 95% CI 0.64, 0.96), which was driven by a reduction in red blood cell transfusion (OR 0.78, 95% CI 0.64, 0.96) as opposed to platelet transfusion (OR 1.10, 95% CI 0.46, 2.91). We also observed a reduction in our secondary outcome of critically low hemoglobin (OR 0.81, 95% CI 0.65, 0.99). Interpretation Our decision support tool was associated with a modest reduction in our primary outcome of blood transfusions and secondary outcome of critically low hemoglobin. Because our study was single-centre, we believe future larger studies are needed to validate our findings.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,024
score de la tête « metaresearch » (Gemma)0,071
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,128

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0240,071
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,304
Écart entre enseignants0,285 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetBlood donation and transfusion practicesTravaux en français237 207