Blood Donor Return Behaviour in South Africa and the United States at Mobile Drives and Fixed Donation Sites.
Bibliographic record
Abstract
Contexte:Les donneurs de sang peuvent choisir de donner leur sang dans des sites de collecte fixes ou lors de collectes mobiles organisées dans des écoles, des églises, etc. Toutefois, les sites de collecte mobile représentent une part importante de la collecte de sang dans de nombreux pays et, dans ce cas, le retour des donneurs est associé à la fréquence des collectes mobiles. Le vieillissement des donneurs et la perte de plusieurs donneurs au cours de la pandémie de COVID-19 ont rendu plus difficile pour les centres de transfusion sanguine de retenir les donneurs et de répondre aux exigences de collecte. Ainsi, prendre une décision éclairée concernant la rétention et le recrutement des donneurs, le fonctionnement des collectes mobiles par rapport aux collectes fixes, ainsi que l'impact des changements dans les politiques d'éligibilité des donneurs tout en prévenant la carence en fer dépend de la manière dont ces politiques affectent les rendements à long terme. Nous avons analysé le délai de retour des donneurs exclus et des donneurs ayant terminé leur don et identifié les facteurs prédictifs.Méthodes: En utilisant des données opérationnelles des États-Unis (US) et de l'Afrique du Sud (SA), nous avons analysé toutes les visites effectuées lors de collectes de sang fixes et mobiles de 2017 à 2022. Nous avons utilisé des courbes de Kaplan-Meier pour caractériser le délai de retour des donneurs après avoir effectué un don, avoir été ajournés en raison d'un faible taux de Hb ou avoir été ajournés pour d'autres raisons. Nous avons comparé les délais de retour sur les sites mobiles et fixes pour les nouveaux donneurs et les donneurs récurrents. Nous avons utilisé des fonctions d'incidence cumulative pour analyser le passage d'un environnement mobile à un environnement fixe en présence d'événements concurrents, c'est-à-dire le retour à un site fixe par rapport à un site fixe. Nous avons développé des modèles de risques proportionnels de Cox pour identifier les facteurs influençant le temps de retour des donneurs stratifiés par environnements de don fixes et mobiles et par périodes pré- et intra-COVID-19.Résultats: Dans les deux pays, la plupart des dons ont été effectués à partir de sites mobiles (55% SA; 57% US) et les taux Hb exclus étaient similaires (4,92% SA; 5,04% US). Le délai de retour était beaucoup plus court pour SA mais dans les deux pays, les donneurs étaient plus lents à revenir après une Hb exclus qu'après un don complet, que ce soit dans les sites fixes (jours de retour médians de 18 contre 36 SA ; 48 contre 83 US) ou dans les collectes mobiles (jours de retour médians de 52 contre 85 SA ; 281 contre 728 US). Dans les deux pays, les donneurs Hb exclus, ceux exclus pour d'autres raisons et les donneurs féminins sont associés à des retours plus lents, tant pour les collectes fixes que pour les collectes mobiles. Les donneurs noirs et métis sont associés à des retours plus rapides en SA. Cependant, aux US, les donneurs noirs et hispaniques sont associés à des retours plus lents. En SA, au cours de la période intrapandémique, les reportements ont été associés à des retours plus précoces qu'au cours des périodes prépandémiques, alors qu'aux US, ils ont été associés à des retours plus tardifs. Conclusion: Les résultats montrent que les donneurs mobiles sont plus lents à revenir après un ajournement Hb et un don complet. La différence est plus importante pour les donneurs mobiles et les nouveaux donneurs, et des facteurs tels que la race et le sexe ont un impact sur le retour. Cela met également en évidence les effets des différentes politiques de fidélisation des donneurs au cours de la pandémie dans les deux pays. En général, les donneurs sud-africains reviennent plus tôt que les donneurs américains. Les résultats suggèrent que des changements dans la fidélisation et le recrutement des donneurs peuvent entraîner une diminution disproportionnée des collectes de sang lors des collectes mobiles
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".