Systematic Biases in Cross-sectional Community Studies may Underestimate the Effectiveness of Stop-Smoking Medications
Notice bibliographique
Résumé
INTRODUCTION: Randomized, controlled trials typically indicate stop-smoking medications (SSMs: e.g., Varenicline, Bupropion, and over-the-counter nicotine replacement therapies) to be effective, whereas cross-sectional community-based studies have found them to be less effective, ineffective, or even associated with higher risk of relapse. Consequently, some critics have suggested SSMs have no useful applications in "real-world" settings. This discrepancy may, however, be due to systematic biases affecting cross-sectional survey outcomes. Namely, failed quit attempts where SSMs were used may be better recalled than failed unassisted attempts. Moreover, smokers who choose to quit using SSMs may be more addicted and thus less likely to succeed. Either of these factors would lead to an over-representation of failed quit attempts among SSM users in cross-sectional surveys even if there were real benefits. METHODS: We report on data from the International Tobacco Control 4-country cohort study to examine the relationship between SSM use, level of nicotine addiction, and the reported date since the start of participants' (N = 1,101) most recent quit attempt. RESULTS: The last quit attempt was reported to have begun longer ago among participants who used SSMs than those who did not. Scores on the Heaviness of Smoking Index, measuring addiction severity, were also higher among SSM users, with no interactions. CONCLUSION: Better recall of quit attempts and stronger addiction to nicotine are two characteristics found more often among smokers using SSMs compared with self-quitters, which could potentially bias the assessed effects of SSMs on cessation outcomes in cross-sectional surveys.
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 | 0,021 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».