Best Practices for Smoking Cessation Interventions in Primary Care
Notice bibliographique
Résumé
BACKGROUND: In Canada, smoking is the leading preventable cause of premature death. Family physicians and nurse practitioners are uniquely positioned to initiate smoking cessation. Because smoking is a chronic addiction, repeated, opportunity-based interventions are most effective in addressing physical dependence and modifying deeply ingrained patterns of beliefs and behaviour. However, only a small minority of family physicians provide thorough smoking cessation counselling and less than one-half offer adjunct support to patients. OBJECTIVE: To identify the key steps family physicians and nurse practitioners can take to strengthen effective smoking cessation interventions for their patients. METHODS: A multidisciplinary panel of health care practitioners involved with smoking cessation from across Canada was convened to discuss best practices derived from international guidelines, including those from the United States, Europe, and Australia, and other relevant literature. The panellists subsequently refined their findings in the form of the present article. RESULTS: The present paper outlines best practices for brief and effective counselling for, and treatment of, tobacco addiction. By adopting a simple series of questions, taking 30 s to 3 min to complete, health care professionals can initiate smoking cessation interventions. Integrating these strategies into daily practice provides opportunities to significantly improve the quality and duration of patients' lives. CONCLUSION: Tobacco addiction is the most important preventable cause of morbidity and mortality in Canada. Family physicians, nurse practitioners and other front-line health care professionals are well positioned to influence and assist their patients in quitting, thereby reducing the burden on both personal health and the public health care system.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».