Feasibility of a Proactive Text Messaging Intervention for Smokers in Community Health Centers: Pilot Study
Notice bibliographique
Résumé
Introduction: Few smokers receive evidence-based cessation services during primary care visits. We aimed to assess the feasibility of a proactive text messaging program for primary care patients who smoke. Methods: We used electronic health records (EHRs) to identify smokers from two Massachusetts community health centers who had a mobile phone number listed. In March 2014-June 2015 patients were screened by their primary care physician then sent a proactive text message inviting them to enroll by texting back. Patients who opted-in were asked about their readiness to quit. The text message program included messages from the QuitNowTXT library and novel content for smokers who were not ready to quit. Results: Among 949 eligible smokers, 88 (9%) enrolled after receiving a single proactive text message. Compared with those who did not enroll, enrollees were more often female (61% vs. 48%, p=0.02) but otherwise did not differ in age, race, insurance status, or comorbidities. Twenty-eight percent of enrollees were not ready to quit in the next 30 days. The median time in the program was 9 days (interquartile range 2-32). Twenty-five percent of current smokers sent one or more keyword requests to the server. These did not differ by readiness to quit. Conclusions: A proactively delivered text messaging program targeting primary care patients who smoke was feasible and engaged both smokers ready to quit and those not ready to quit. This method shows promise as part of a population health model for addressing tobacco use outside of the primary care office.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».