Punasoluvalmisteiden lämpötilaseuranta
Bibliographic record
Abstract
Opinnäytetyön aiheena oli punasoluvalmisteiden lämpötilaseuranta. Työssä tutustutaan vereen, verensiirtoihin, punasoluvalmisteisiin sekä punasoluvalmisteiden lämpötilaseurantaan säilytyksen ja kuljetuksen aikana. Työ toteutettiin yhteistyössä HUSLABin ja Suomen Punaisen Ristin Veripalvelun kanssa. \n \nTyön tavoitteena oli laatia HUSLAB-ohjeistus Helsingin kolmelle kotisairaalalle verensiirtovalmisteiden tilaamista ja käsittelyä varten. Ennen ohjeistuksen laatimista tutustuttiin HUSLABin Meilahden verikeskuksen toimintaan ja seurattiin fyysisesti mukana verikeskuksesta kotisairaaloihin lähteviä verivalmistekuljetuksia. Kuljetusten havainnoinnin pohjalta HUSLABille raportoitiin valmisteiden kuljetusten ja käsittelyn senhetkinen tila sekä kehitystarpeet uutta ohjeistusta ajatellen. Veripalvelussa tehtiin tutkimuksia, joissa punasoluvalmisteita altistettiin erilaisille ulkoisille lämpötiloille ja seurattiin niiden lämpenemistä ja viilenemistä. Veripalvelussa tehdyissä tutkimuksissa testattiin myös pakkausmenetelmien toimivuutta helle- ja pakkasolosuhteissa. \n \nTyön teoriaosuus toteutettiin kirjallisuuskatsauksena ja käytännön osuus kokeina Veripalvelussa sekä prosessinkehityksenä HUSLABille. Teoriaosuudessa tutustuttiin punasoluvalmisteille kansainvälisesti määriteltyihin säilytysvaatimuksiin, kuljetuksenaikaisiin pakkausmenetelmiin sekä erilaisiin käytössä oleviin lämpötilaseurantateknologioihin. Teoriatietoja voitiin hyödyntää fyysistä seurantaa arvioitaessa. \n \nKäytännön tutkimusosuuden perusteella HUSLABin nykyiset kuljetusmenetelmät ovat riittä-vät turvaamaan verivalmisteiden oikeat kuljetuslämpötilat. Verivalmisteiden käsittely kotisai-raaloissa vaihteli. Osassa kotisairaaloista oli tarvetta tarkistaa käsittelytapoja. Opinnäytetyön tuloksena laadittu uusi ohjeistus korostaa oikeita toimintatapoja ja yhtenäistää valmisteiden käsittelymenetelmiä kotisairaaloissa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.089 | 0.032 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".