Electronic Cigarettes in North America
Notice bibliographique
Résumé
BACKGROUND: Designed to mimic the look and feel of tobacco cigarettes, electronic cigarettes (e-cigarettes) may facilitate smoking cessation. However, the efficacy and safety of e-cigarette use for this purpose remain poorly understood. Our objectives were to review the available data on the efficacy and safety of e-cigarettes for smoking cessation and to consider issues relevant to the context in which they are used, including product awareness and regulatory and ethical concerns. METHODS AND RESULTS: We systematically searched PubMed for randomized controlled trials and uncontrolled, experimental studies involving e-cigarettes. Included studies were limited to English or French language reports. Quality assessment was performed according to the Cochrane Risk of Bias tool. We identified 169 publications, of which 7 studies were included. Studies have concluded that e-cigarettes can help reduce the number of cigarettes smoked and may be as effective for smoking cessation as the nicotine patch. Although there is a lack of data concerning the safety and efficacy of e-cigarettes as a smoking cessation therapy, available evidence showed no significant difference in adverse event rates between e-cigarettes and the nicotine patch. E-cigarettes are widely used among smokers attempting to quit. However, significant international variation remains in the regulatory mechanisms governing the sale and distribution of e-cigarettes. Ethical concerns surround the use of e-cigarettes among minors and their potential to undermine efforts to reduce cigarette smoking. CONCLUSION: Given the limited available evidence on the risks and benefits of e-cigarette use, large, randomized, controlled trials are urgently needed to definitively establish their potential for smoking cessation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».