Potential benefits of an alternative haemoglobin deferral strategy evaluated in seven countries
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: On-site donor deferral for low haemoglobin (Hb) levels poses significant challenges for blood establishments globally, leading to material wastage and consumption of valuable staff and donor time. Traditionally, donors are deferred based on a single visit's Hb measurement, without considering previous Hb levels and measurement variability. This study aims to quantify, in different settings, the potential impact of an alternative deferral algorithm based on historical mean Hb levels. MATERIALS AND METHODS: We retrospectively reassessed donor eligibility in 20,430,816 donations and deferrals in Australia, Belgium, Finland, France, the Netherlands, South Africa and the United States using an algorithm that considers a repeat donor eligible as long as their historical mean Hb is above the deferral threshold and deviations from the mean are consistent with anticipated measurement variability. We quantified the potential impact of the alternative algorithm by calculating the change in donations and deferrals. RESULTS: Across countries, the alternative algorithm may reduce low Hb deferrals between 30% and 70%. Additionally, in every country, a small proportion of current donors (~1%) donate who exhibit consistent low Hb levels. Balancing new deferrals and donations, the estimated net increase in donations across countries ranges between 0.7% and 3.3%. CONCLUSION: The alternative deferral algorithm based on mean Hb levels is a first step towards a more comprehensive assessment of Hb levels to determine donor eligibility. Further research is needed to refine the algorithm, to determine its long-term impact, to improve the model with information related to iron stores and recovery and to address the impact on donor safety.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».