Effects of different pharmacologic smoking cessation treatments on body weight changes and success rates in patients with nicotine dependence: A network meta‐analysis
Notice bibliographique
Résumé
Smoking cessation is a public health priority to reduce smoking-related morbidity and mortality. However, weight gain is a known primary reason for not trying to quit smoking. The aim of the current study was to investigate differences in weight gain associated with different pharmacological smoking cessation interventions. Randomized controlled trials (RCTs) that reported weight gain related to pharmacologic treatments for smoking cessation were analysed using network meta-analysis with a random effects model. Thirty-one RCTs with 5650 participants were included. Ten drugs and 22 regimens were identified. Nicotine patches plus fluoxetine, topiramate with/without nicotine patches, nicotine patches plus methylphenidate, nicotine spray/gum/lozenges, high-dose nicotine patches (42 mg/21 mg), naltrexone with/without nicotine patches, or bupropion with/without nicotine patches were associated with less weight gain than the placebo/control arm. Nicotine patches plus fluoxetine were associated with the least weight gain of all smoking cessation treatments. In addition, the nicotine patch plus topiramate and nicotine inhaler was associated with the best success rate and the least dropout rate, respectively. Overall, the nicotine patch 14 mg plus fluoxetine 40 mg, nicotine patch 14 mg plus fluoxetine 20 mg, and topiramate 200 mg would be the three best pharmacologic treatments based upon both weight gain effect and success rate.
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) | 0,001 | 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 | 0,000 |
| 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 ».