How do I interpret transfusion transmissible infectious disease testing in a low‐risk donor population?
Notice bibliographique
Résumé
BACKGROUND: Blood donors represent a unique population. Pre-donation screening questions, donor self-deferral, and temporary deferral and re-testing of repeat reactive donors result in lower prevalence of infectious disease compared to the general population. Prevalence directly affects the clinical performance of assay systems apart from the analytical sensitivity and specificity of the assay. STUDY DESIGN AND METHODS: It is important that blood operators understand what situations frequently elicit false reactive and false nonreactive cases, and how to mitigate the effect of these. RESULTS: False reactive transmissible disease assays are seen more frequently in low-prevalence populations due to a reduced positive predictive value, whereas false nonreactives may be derived from failures in quality control (control failures, temperature and humidity deviations), pathophysiology in the donor, or how specimens are processed and tested (e.g., pooling). Reactive screening results require confirmation testing to differentiate between true infection and false reactive interpretation, and result in either temporary or permanent donor deferral (for false reactive or confirmed screens respectively). Complete validation or verification of laboratory assays can mitigate these donor impacts and help laboratorians understand how assays function in their local environments. DISCUSSION: Here we describe how blood donor screening assays are characterized prior to use, explore possible contributors to false reactive and nonreactive results, and the importance of tracking and monitoring infectious disease positivity rates. Two case examples: one for serology and one for molecular testing demonstrate how common errors in laboratory testing can be mitigated.
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 ».