How Can We Better Help Cancer Patients Quit Smoking? The London Regional Cancer Program Experience with Smoking Cessation
Notice bibliographique
Résumé
Background: Because continued cigarette smoking after a cancer diagnosis is associated with detrimental outcomes, supporting cancer patients with smoking cessation is imperative. We evaluated the effect of the Smoking Cessation Program at the London Regional Cancer Program (lrcp) over a 2-year period. Methods: The Smoking Cessation Program at the lrcp began in March 2014. New patients are screened for tobacco use. Tobacco users are counselled about the benefits of cessation and are offered referral to the program. If a patient accepts, a smoking cessation champion offers additional counselling. Follow-up is provided by interactive voice response (ivr) telephone system. Accrual data were collected monthly from January 2015 to December 2016 and were evaluated. Results: During 2015-2016, 10,341 patients were screened for tobacco use, and 18% identified themselves as current or recent tobacco users. In 2015, 84% of tobacco users were offered referral, but only 13% accepted, and 3% enrolled in ivr follow-up. At the lrcp in 2016, 77% of tobacco users were offered referral to the program, but only 9% of smokers accepted, and only 2% enrolled in ivr follow-up. Conclusions: The Smoking Cessation Program at the lrcp has had modest success, because multiple factors influence a patient's success with cessation. Limitations of the program include challenges in referral and counselling, limited access to nicotine replacement therapy (nrt), and minimal follow-up. To mitigate some of those challenges, a pilot project was launched in January 2017 in which patients receive free nrt and referral to the local health unit.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».