The temporal distribution of red blood cell transfusions is associated with alloimmunization risk
Notice bibliographique
Résumé
BACKGROUND: Red blood cell (RBC) transfusion causes RBC alloimmunization in a st of patients. Factors that influence RBC alloimmunization risk are incompletely understood. STUDY DESIGN AND METHODS: We performed a matched case-control study of male intensive care unit (ICU) patients who did or did not develop a new RBC alloantibody after RBC transfusion. Demographic, clinical, and laboratory data were collected. Cases and controls were matched 1:2 on serological follow-up time (SFT) and the number of RBC units transfused. Conditional logistic regression analyses were performed to identify variables associated with the development of a new RBC alloantibody. RESULTS: One hundred and seventeen cases who developed a new RBC alloantibody during the SFT were matched with 234 controls who did not develop an alloantibody. The median SFT was 40 days among cases and 52 days among controls. The median number of RBC units transfused during the SFT was 7 in both groups. Although the total number of RBC units transfused was similar, cases were transfused RBC units in fewer transfusion episodes compared with controls. The median number of transfusion episodes, defined as a minimum time interval of 24 h between RBC transfusions, was higher in controls compared to cases. In multivariable analysis, each additional transfusion episode was associated with a 26% lower risk of RBC alloimmunization (odds ratio 0.74; 95% confidence interval 0.63-0.86; p < 0.001). CONCLUSIONS: In a matched case-control study of male ICU patients who received a similar number of RBC transfusions, a greater number of transfusion episodes was associated with a decreased risk of developing a new RBC alloantibody.
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 | 0,001 | 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 ».