P2-94 Types of smokers, depression and disability in type 2 diabetes: a latent class analysis
Notice bibliographique
Résumé
Despite the detrimental effects of smoking on health, a high number of adults with type 2 diabetes continue to smoke. Identifying distinct profiles of smokers could help tailor smoking intervention programs in this population and may help uncover high risk subgroups with unfavourable health outcomes. This study examined whether smokers with type 2 diabetes could be classified into different profiles based on socioeconomic characteristics, smoking habits and lifestyle factors. Depression and disability outcomes were compared across smoking profiles. A community sample of adults with self-reported diabetes was selected from random digit dialing. Analyses included 383 participants with type 2 diabetes who were current smokers. Participants were interviewed at baseline (2008) and re-interviewed 1 year later (2009). Latent class analysis was used to identify types of smokers. We uncovered three meaningful classes of smokers: (1) long-time smokers with long-standing diabetes (n=105), (2) heavy smokers with deprived socioeconomic status, poor health and unhealthy lifestyle characteristics (n=105), (3) working and active smokers, recently diagnosed with diabetes (n=173). Members of class 2 were significantly more likely to be disabled and depressed at baseline and follow-up compared with others. They were also less likely to have quit smoking at follow-up, despite attempting to quit as often as others. Different profiles of smokers exist among adults with type 2 diabetes. One class of smokers is particularly linked with depression, disability and a deprived socioeconomic situation. Distinguishing between types of smokers may enable clinicians to tailor their approach to 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 | 0,009 | 0,004 |
| 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 | 0,001 |
| 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 ».