Patterns of lapses and recoveries during a quit attempt using varenicline and behavioral counseling among smokers with and without HIV.
Notice bibliographique
Résumé
Addressing tobacco use among HIV+ smokers is a priority. Lack of knowledge about how HIV+ smokers respond to tobacco use treatments limits our ability to effectively treat this population of smokers. Using data from 2 clinical trials that provided 12 weeks of varenicline and behavioral counseling, 1 with smokers with HIV (n = 89) and 1 with smokers without HIV (n = 179), we used mixed logistic regression modeling to compare point-prevalence abstinence rates and adherence to the initial target quit date (TQD) and Cox regression for repeated outcomes to evaluate lapse and recovery dynamics between the groups. Sixty percent of HIV- smokers refrained from smoking at the TQD while only 33% of HIV+ smokers did (odds ratio [OR] = 0.32, 95% CI [0.18, 0.56], p < .001). The point-prevalence abstinence rates at Week 12 were 31% (HIV-) and 28% (HIV+; OR = 0.7, 95% CI [0.42, 1.16], p = .16) and the point prevalence abstinence rates at Week 24 were 22% (HIV-) and 15% (HIV+; OR = 0.87, 95% CI [0.49, 1.57], p = .65). Although there was no interaction between HIV status and lapse risk, χ2(3) < 1, there was a significant interaction for the recovery model, (χ2(3) = 20.4, p < 0.001): as the number of events increased, the time to the next recovery became longer among smokers with HIV, compared to smokers without HIV. Although HIV+ smokers were treated effectively with varenicline, compared to HIV- smokers, they showed significantly lower initial cessation at the TQD and took increasingly longer to recover following lapses. (PsycInfo Database Record (c) 2021 APA, all rights reserved).
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».