Prediction models of smoking cessation in lung and head and neck cancer patients: Role of second-hand smoke (SHS) exposure.
Notice bibliographique
Résumé
9591 Background: Some cancer survivorship programs incorporate components of healthy lifestyle behavior modification. We evaluated the role that various clinical variables and smoking habits play in predicting which cancer survivors are more likely to quit smoking. Such knowledge may help with resource allocation within these programs. Methods: We focused on lung cancer (LC) and head and neck cancer (HNC) patients as these have the highest active smoking rates among all cancer sites at Princess Margaret Cancer Centre. Patients from 2006-12 completed questionnaires at diagnosis (baseline) and follow-up (median 2 years apart) that assessed smoking status. Baseline clinical and demographic information was obtained. Multivariate logistic regression analysis evaluated the association of smoking and clinical variables at diagnosis to subsequent smoking cessation. Predictive models were assessed for their discriminatory capabilities (concordance-index or area under the curve, AUC). Results: In this cohort, 261/731 LC and 145/450 HNC patients smoked at diagnosis; subsequent overall quit rates were 69% and 50% respectively. Univariate factors associated with smoking cessation included having LC (p = 0.001), being married (p = 0.02), having at least completed secondary school (p = 0.049), having less cumulative smoking (pack-years; p = 0.004), and having adequate social support (p = 0.009). In multivariate modeling, fewer pack-years, having LC and being married remained significant and this predictive model was associated with moderate predictive ability (AUC 0.68 [95% CI: 0.62-0.73]. However, the addition of either SHS household exposure (AUC 0.76 [0.71-0.81]) or spousal smoking (AUC 0.77 [0.71-0.82]) further improved the predictive model. The addition of SHS variables in other exploratory predictive models of smoking cessation improved those models in a similar manner. Similar improvements in prediction were seen in subgroup analysis of LC and HNC. Conclusions: SHS exposure significantly improves the predictive abilities to determine which patients who smoked at their cancer diagnosis would subsequently quit. Cessation programs may benefit from allocating resources accordingly.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».