Genetics by genetic algorithm: Defining an ideal platelet donor population to support patients with <scp>HLA</scp> ‐mediated alloimmune refractoriness
Notice bibliographique
Résumé
BACKGROUND: Immune factors underlie approximately 20% of patients exhibiting platelet transfusion refractoriness (PTR). PTR can be mitigated by supplying HLA-A and B compatible platelets to these patients. Since 2019, Canadian Blood Services has managed a program to provide compatible platelets to alloimmunized patients. This study evaluates donor pool size and ethnic diversity options to serve Canada's population. STUDY DESIGN AND METHODS: We adapted simulation-based stem cell matching methods by generating simulated patients and matching them to existing and simulated donors using a Python algorithm. Recruitment scenarios included census-aligned, single-group, and meta-heuristic-optimized distributions to enhance match rates and equity. RESULTS: More typed donors increase match rates, but rates vary significantly by ethnicity. Non-Black patients achieved 95% coverage with 13,000-18,000 new donors, whereas Black patients required ~55,000 new donors. Single-ethnicity recruitment improved the targeted group's rate but reduced overall match rates and disadvantaged other populations. A Pareto-optimal donor mix-augmenting Black, Hispanic, Asian Pacific Islander, and Native American/First Nations donors while modestly reducing White typing-preserved or improved rates but yielded only modest gains for Black patients. A balanced strategy further prioritizing Black and Hispanic donors with slight reductions in White, Asian, and Native American/First Nations typing achieved improvements for the Black population with minimal losses for others. DISCUSSION: While Pareto-optimal allocation enhances overall efficiency, targeted trade-offs, focusing on underrepresented groups, are essential to correct persistent disparities and achieve equitable HLA-matched platelet availability.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».