Estimates of effectiveness and reach for ‘return on investment’ modelling of smoking cessation interventions using data from England
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Estimating 'return on investment' (ROI) from smoking cessation interventions requires reach and effectiveness parameters for interventions for use in economic models such as the EQUIPT ROI tool (http://roi.equipt.eu). This paper describes the derivation of these parameter estimates for England that can be adapted to create ROI models for use by other countries. METHODS: Estimates were derived for interventions in terms of their reach and effectiveness in: (1) promoting quit attempts and (2) improving the success of quit attempts (abstinence for at least 12 months). The sources were systematic reviews of efficacy supplemented by individual effectiveness evaluations and national surveys. FINDINGS: Quit attempt rates were estimated to be increased by the following percentages (with reach in parentheses): 20% by tax increases raising the cost of smoking 5% above the cost of living index (100%); 10% by enforced comprehensive indoor public smoking bans (100%); 3% by mass media campaigns achieving 400 gross rating points (100%); 40% by brief opportunistic physician advice (21%); and 110% by use of a licensed nicotine product to reduce cigarette consumption (12%). Quit success rates were estimated to be increased by the following ratios: 60% by single-form nicotine replacement therapy (NRT) (5%); 114% by NRT patch plus a faster-acting NRT (2%);124% by prescribed varenicline (5%); 60% by bupropion (1%); 100% by nortriptyline (0%), 10) 298% by cytisine (0%); 40% by individual face-to-face behavioural support (2%); 37% by telephone support (0.5%); 88% by group behavioural support (1%); 63% by text messaging (0.5%); and 19% by printed self-help materials (1%). There was insufficient evidence to obtain reliable, country-specific estimates for interventions such as websites, smartphone applications and e-cigarettes. CONCLUSIONS: Tax increases, indoor smoking bans, brief opportunistic physician advice and use of nicotine replacement therapy (NRT) for smoking reduction can all increase population quit attempt rates. Quit success rates can be increased by provision of NRT, varenicline, bupropion, nortriptyline, cytisine and behavioural support delivered through a variety of modalities. Parameter estimates for the effectiveness and reach of these interventions can contribute to return on investment estimates in support of national or regional policy decisions.
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) | 0,000 | 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 ».