جلد 22، شماره 1 - ( بهار 1404 )
جلد 22 شماره 1 صفحات 62-54 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abdolrahimzadeh H, Naderi N, Gheibi Z, Kasraian L. Forecasting Blood and Blood Product Demand: A Step Towards Optimal Resource Management in Trauma Patients. Sci J Iran Blood Transfus Organ 2025; 22 (1) :54-62
URL: http://bloodjournal.ir/article-1-1565-fa.html
URL: http://bloodjournal.ir/article-1-1565-fa.html
عبدالرحیم‌زاده حسین، نادری نیما، غیبی زهرا، کسرائیان لیلا. پیش‌بینی تفاضای خون و فرآورده‌های خونی: گامی به سوی مدیریت بهینه منابع در بیماران ترومایی. فصلنامه پژوهشی خون. 1404; 22 (1) :54-62
دانشیار مرکز تحقیقات انتقال خون ـ مؤسسه عالی آموزشی و پژوهشی طب انتقال خون تهران و اداره کل انتقال خون شیراز
چکیده: (492 مشاهده)
چکیده
سابقه و هدف
خونریزی شدید ناشی از تروما یکی از مهم‌ترین علل مرگ و میر قابل پیشگیری به شمار می‌رود. تأمین به موقع و دقیق خون و فرآورده‌های خونی از چالش‌های اساسی مراکز درمانی است. این مطالعه با هدف پیش‌بینی میزان خون و فرآورده‌های خونی مورد نیاز در بیماران ترومایی در بیمارستان شهید رجایی شیراز طی سال‌های 1399-1396 انجام شد. سپس دقت این مدل پیش‌بینی مورد ارزیابی قرار گرفت.
مواد و روش‌ها
در این مطالعه مقطعی ـ تحلیلی، ابتدا داده‌های مربوط به میانگین درخواست و مصرف واحدهای خون، پلاکت و پلاسما در بیماران ترومایی طی چهار سال گذشته (1399-1396) جمع‌آوری شد. سپس با استفاده از مدل سری زمانی ARIMA (Autoregressive Integrated Moving Average)واحدهای خون، پلاکت و پلاسمای مورد نیاز برای دو سال آینده (1401-1400) پیش‌بینی گردید. به منظور ارزیابی دقت مدل پیش‌بینی، میانگین تعداد واحدهای خون و فرآورده‌های پیش‌بینی شده با میانگین واقعی درخواست و مصرف با استفاده از آزمون تی مستقل مقایسه شد.
یافته‌ها
میانگین مصرف سالانه خون و پلاکت در طی چهار سال گذشته به ترتیب ۶۲۶۶ و ۱۶۹۷ واحد بود و در طول دوره مطالعه تغییر معناداری نداشت. میانگین مصرف پلاسما در طی چهار سال گذشته ۳۳۵۶ واحد بود و روند افزایشی اندکی نشان داد. میانگین درخواست پیش‌بینی شده برای خون ۱۰۷۹۰ واحد بود که تفاوت معناداری با مقدار واقعی (۹۲۷۶ واحد) نداشت. پیش‌بینی میانگین درخواست پلاکت ۱۷۸۱ واحد بود که با مقدار واقعی درخواست (1891) تفاوتی نداشت. پیش‌بینی میانگین درخواست برای پلاسما ۴۲۶۲ واحد بود که بیش از مقدار واقعی (۳۱۸۹ واحد) گزارش شده بود. هم‌چنین، میانگین درخواست پیش‌بینی شده برای کرایو ۲۷۹ واحد بود که با مقدار واقعی ۳۴۸ واحد تفاوت معناداری نداشت.
نتیجه گیری
به نظر می‌رسد استفاده از مدل سری زمانی ARIMA ، امکان پیش‌بینی نسبتاً دقیقی از تقاضای خون و فرآورده‌های در بیماران ترومایی را بر اساس الگوهای درخواست و مصرف گذشته فراهم می‌کند. این روش می‌تواند به بهبود برنامه‌ریزی در تأمین خون کمک کرده و با کاهش خطر کمبود یا اتلاف منابع خونی، مدیریت بهینه منابع خونی را تسهیل کند.
سابقه و هدف
خونریزی شدید ناشی از تروما یکی از مهم‌ترین علل مرگ و میر قابل پیشگیری به شمار می‌رود. تأمین به موقع و دقیق خون و فرآورده‌های خونی از چالش‌های اساسی مراکز درمانی است. این مطالعه با هدف پیش‌بینی میزان خون و فرآورده‌های خونی مورد نیاز در بیماران ترومایی در بیمارستان شهید رجایی شیراز طی سال‌های 1399-1396 انجام شد. سپس دقت این مدل پیش‌بینی مورد ارزیابی قرار گرفت.
مواد و روش‌ها
در این مطالعه مقطعی ـ تحلیلی، ابتدا داده‌های مربوط به میانگین درخواست و مصرف واحدهای خون، پلاکت و پلاسما در بیماران ترومایی طی چهار سال گذشته (1399-1396) جمع‌آوری شد. سپس با استفاده از مدل سری زمانی ARIMA (Autoregressive Integrated Moving Average)واحدهای خون، پلاکت و پلاسمای مورد نیاز برای دو سال آینده (1401-1400) پیش‌بینی گردید. به منظور ارزیابی دقت مدل پیش‌بینی، میانگین تعداد واحدهای خون و فرآورده‌های پیش‌بینی شده با میانگین واقعی درخواست و مصرف با استفاده از آزمون تی مستقل مقایسه شد.
یافته‌ها
میانگین مصرف سالانه خون و پلاکت در طی چهار سال گذشته به ترتیب ۶۲۶۶ و ۱۶۹۷ واحد بود و در طول دوره مطالعه تغییر معناداری نداشت. میانگین مصرف پلاسما در طی چهار سال گذشته ۳۳۵۶ واحد بود و روند افزایشی اندکی نشان داد. میانگین درخواست پیش‌بینی شده برای خون ۱۰۷۹۰ واحد بود که تفاوت معناداری با مقدار واقعی (۹۲۷۶ واحد) نداشت. پیش‌بینی میانگین درخواست پلاکت ۱۷۸۱ واحد بود که با مقدار واقعی درخواست (1891) تفاوتی نداشت. پیش‌بینی میانگین درخواست برای پلاسما ۴۲۶۲ واحد بود که بیش از مقدار واقعی (۳۱۸۹ واحد) گزارش شده بود. هم‌چنین، میانگین درخواست پیش‌بینی شده برای کرایو ۲۷۹ واحد بود که با مقدار واقعی ۳۴۸ واحد تفاوت معناداری نداشت.
نتیجه گیری
به نظر می‌رسد استفاده از مدل سری زمانی ARIMA ، امکان پیش‌بینی نسبتاً دقیقی از تقاضای خون و فرآورده‌های در بیماران ترومایی را بر اساس الگوهای درخواست و مصرف گذشته فراهم می‌کند. این روش می‌تواند به بهبود برنامه‌ریزی در تأمین خون کمک کرده و با کاهش خطر کمبود یا اتلاف منابع خونی، مدیریت بهینه منابع خونی را تسهیل کند.
فهرست منابع
1. Cornero SG, Maegele M, Lefering R, Abbati C, Gupta S, Sammartano F, et al. predictive factors for massive transfusion in trauma: a novel clinical score from an Italian trauma center and German trauma registry. J Clin Med 2020; 9(10): 3235. [DOI:10.3390/jcm9103235] [PMID] []
2. Rossaint R, Afshari A, Bouillon B, Cerny V, Cimpoesu D, Curry N, et al. The European guideline on management of major bleeding and coagulopathy following trauma. Crit Care 2023; 27(1): 80. [DOI:10.1186/s13054-023-04327-7] [PMID] []
3. Cantle PM, Cotton BA. Prediction of massive transfusion in trauma. Crit Care Clin 2017; 33(1): 71-84. [DOI:10.1016/j.ccc.2016.08.002] [PMID]
4. Saviano A, Perotti C, Zanza C, Longhitano Y, Ojetti V, Franceschi F, et al. Blood Transfusion for Major Trauma in Emergency Department. Diagnostics 2024; 14(7): 708. [DOI:10.3390/diagnostics14070708] [PMID] []
5. White NJ, Ward KR, Pati S, Strandenes G, Cap AP. Hemorrhagic blood failure: oxygen debt, coagulopathy, and endothelial damage. J Trauma Acute Care Surg 2017; 82(6S): S41-S49. [DOI:10.1097/TA.0000000000001436] [PMID] []
6. Miri-Moghaddam E, Bizhaem SK, Moezzifar Z, Salmani F. Long-term prediction of Iranian bloodproduct supply using LSTM: a 5-year forecast. BMC Med Inform Decis Mak 2024; 24(1): 213. [DOI:10.1186/s12911-024-02614-z] [PMID] []
7. Nandi AK, Roberts DJ, Nandi AK. Prediction paradigm involving time series applied to total blood issues data from England. Transfusion 2020; 60 (3): 535-543. [DOI:10.1111/trf.15705] [PMID] []
8. Hanna M, Knittel J, Gillihan J. The use of whole blood transfusion in trauma. Curr Anesthesiol Rep 2022; 12(2): 234-9. [DOI:10.1007/s40140-021-00514-w] [PMID] []
9. Kasraian L, Naderi N, Hosseini M, Taheri Akerdi A, Paydar S, Abdolrahimzadeh Fard H. A novel scoring system for early prediction of massive transfusion requirement in trauma patients. Intern Emerg Med 2024; 19(5): 1431-8.
https://doi.org/10.1007/s11739-024-03541-7 [DOI:10.1007/s11739-024-03650-3] [PMID]
10. Rafieemehr H, Golparian M, Jiriaei Sharahi N, Vaseie M, Salimi R. The rate of blood products transfusion in the treatment ofpatients with acute trauma referred to Besat Hospital in Hamadan in 2018-2019. Sci J Iran Blood Transfus Organ 2022; 19(4): 270-83. [Article in Farsi]
11. Drackley A, Newbold KB, Paez A, Heddle N. Forecasting Ontario's blood supply and demand. Transfusion 2012; 52(2): 366-74. [DOI:10.1111/j.1537-2995.2011.03280.x] [PMID]
12. Crowe E, DeSantis SM, Bonnette A, Jansen JO, Yamal JM, Holcomb JB, et al. Whole blood transfusion versus component therapy in trauma resuscitation: a systematic review and meta‐analysis. J Am Coll Emerg Physicians Open 2020; 1(4): 633-41. [DOI:10.1002/emp2.12089] [PMID] []
13. Lier H, Fries D. Emergency blood transfusion for trauma and perioperative resuscitation: standard of care. Transfus Med Hemother 2021; 48(6): 366-76. [DOI:10.1159/000519696] [PMID] []
14. Shackelford S, Yang S, Hu P, Miller C, Anazodo A, Galvagno S, et al. Predicting blood transfusion using automated analysis of pulse oximetry signals and laboratory values. J Trauma Acute Care Surg 2015; 79(4): S175-S80. [DOI:10.1097/TA.0000000000000738] [PMID]
15. Mishra S, Daga A, Gupta A. Inventory management practices in the blood bank of an institute of national importance in India. J Family Med Prim Care 2021; 10(12): 4489-92. [DOI:10.4103/jfmpc.jfmpc_1000_21] [PMID] []
16. Sarvestani SE, Hatam N, Seif M, Kasraian L, Lari FS, Bayati M. Forecasting blood demand for different blood groups in Shiraz using auto regressive integrated moving average (ARIMA) and artificial neural network (ANN) and a hybrid approaches. Scientific Reports. 2022 Dec 20;12(1): 22031. [DOI:10.1038/s41598-022-26461-y] [PMID] []
17. Maynard S, Farrington J, Alimam S, Evans H, Li K, Wong WK, et al. Machine learning in transfusion medicine: A scoping review. Transfusion 2024; 64(1): 162-84. [DOI:10.1111/trf.17582] [PMID] []
18. Khaldi R, El Afia A, Chiheb R. Artificial neural networks for blood demand forecasting. Transfus Med 2022; 32(4): 245-52.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
