The association between smokers’ self-reported healthproblems and quitting: Findings from the ITC Four CountrySmoking and Vaping Wave 1 Survey
Notice bibliographique
Résumé
INTRODUCTION: This study aimed to systematically examine whether having health conditions or concerns related to smoking are associated with quitting activities among smokers across four western countries. METHODS: Data came from the 2016 International Tobacco Control Four Country Smoking and Vaping Survey conducted in Australia, Canada, England and US. We asked smokers and recent quitters (n=11838) whether they had a medical diagnosis for heart disease, cancer, chronic lung disease, depression, anxiety, alcohol problems, diabetes, severe obesity and chronic pain (nine conditions), and whether they believed smoking had harmed/would harm their health, along with questions on quitting activities. RESULTS: General concerns about smoking harming health and all specific health conditions, except for alcohol problems, were positively associated with quit attempts, but the relationships between health conditions and other quitting measures (being abstinent, planning to quit, use of quitting medications) were less consistent. Positive associations between conditions and use of quitting medications were only significant for depression, anxiety and chronic pain (adjusted odds ratios ranged from 1.4 to 1.5). There was a general tendency to report lower self-efficacy for quitting among those with the health conditions. CONCLUSIONS: While those with smoking related conditions are somewhat more aware of the links to their smoking, and are largely taking more action, the extent of this is lower than one might reasonably expect. Enhanced awareness campaigns are needed and health professionals need to do more to use health conditions to motivate quit attempts and to ensure they are made with the most effective forms of help.
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 | 0,004 | 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 | 0,001 | 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 ».