An overview and comparison of haemovigilance reporting forms across six countries relative to the WHO template
Notice bibliographique
Résumé
OBJECTIVES: Haemovigilance monitors, identifies, reports, investigates, and analyses adverse event near-misses and reactions related to transfusion and blood product manufacture. METHODS: This was an observational study in which we analyzed and compared the WHO haemovigilance template form for hospital and blood establishment haemovigilance reporting forms from Australia, Canada, India, New Zealand, South Africa, and the United States. All data from these reporting systems/forms was tabulated. The study analyzed data elements from each form, scoring them based on their presence in the WHO template and country forms. Higher scores indicated greater comparability and more comprehensive data collection. RESULTS: We identified 57 data fields in haemovigilance reporting forms from six countries and the WHO template, essential for collecting information on suspected transfusion products and reactions. The US FDA form has the most fields at 40 (70 %), followed by Canada with 33 (58 %) and India with 27 (47 %). New Zealand's form has the fewest at 16 (28 %), followed by South Africa with 17 (30 %). CONCLUSIONS: Effective haemovigilance systems require time and commitment to develop, often starting small and growing with stakeholder involvement. A straightforward reporting form, accessible to all, is crucial for success.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».