Effectiveness of stop‐smoking medications: findings from the <scp>I</scp>nternational <scp>T</scp>obacco <scp>C</scp>ontrol (<scp>ITC</scp>) <scp>F</scp>our <scp>C</scp>ountry <scp>S</scp>urvey
Notice bibliographique
Résumé
AIM: To evaluate the population effectiveness of stop-smoking medications while accounting for potential recall bias by controlling for quit attempt recency. DESIGN: Prospective cohort survey. SETTING: United Kingdom, Canada, Australia and the United States. PARTICIPANTS: A total of 7436 adult smokers (18+ years) selected via random digit dialling and interviewed as part of the International Tobacco Control Four Country Survey (ITC-4) between 2002 and 2009. Primary analyses utilized the subset of respondents who participated in 2006 or later (n = 2550). MEASUREMENTS: Continuous abstinence from smoking for 1 month/6 months. FINDINGS: Among participants who recalled making a quit attempt within 1 month of interview, those who reported using varenicline, bupropion or nicotine patch were more likely to maintain 6-month continuous abstinence from smoking compared to those who attempted to quit without medication [adjusted odds ratio (OR) 5.84, 95% confidence interval (CI) (2.12-16.12), 3.94 (0.87-17.80), 4.09 (1.72-9.74), respectively]; there were no clear effects for oral NRT use. Those who did not use any medication when attempting to quit tended to be younger, to be racial/ethnic minorities, to have lower incomes and to believe that medications do not make quitting easier. CONCLUSIONS: Consistent with evidence from randomized controlled trials, smokers in the United Kingdom, Canada, Australia and the United States are more likely to succeed in quit attempts if they use varenicline, bupropion or nicotine patch. Previous population studies that failed to find an effect failed to control adequately for important sources of bias.
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 | 0,011 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».