Real life impact of educating nurses in tobacco cessation intervention
Notice bibliographique
Résumé
Introduction Nurses, when educated in tobacco cessation interventions, are well positioned to address smoking with their patients achieving a long-time quit rate of approximately 10%, according to the literature. Methods Together in partnership with the International Society of Nurses in Cancer Care and University of California in Los Angeles, USA, and the Society for Treatment of Tobacco Dependence, Czech Republic, an international project funded by Bristol-Myers Squibb Foundation “The Eastern Europe Nurses‘ Centre of Excellence in Tobacco Control – Developing Nurse Champions for Tobacco Dependence Treatment” (EE-COE) involves six Eastern European countries (CZ, HU, MD, RO, SI, SK). The EE-COE offers to nurses various educational activities in tobacco control, i.e. train of trainer workshops, short seminars, or online e-learning. Through these methods positively evaluated in previous projects, thousands of nurses have already been educated. Results Results from EE-COE 2016 five country 3-month post-training online surveys, a total of 507 trained nurses estimated that they offered cessation intervention to 850 to 1239 patients a week (minimum / maximum weekly estimates, respectively), a mean of 1,044 patients per week. Assuming a 10% long-term quit rate from nurses’ intervention, we estimated that 104 patients quit tobacco use per week, or 5,408 ex-smokers per year in five countries alone. Simplified calculation of investment into nurses’ education translated to $63 USD spent per ex-smoker. Conclusion Investment into nurses‘ education in tobacco control knowledge and skills is an effective approach with substantial impact on patients quitting smoking, improved patient health, in addition to health care cost savings.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».