Are health conditions and concerns about health effects of smoking predictive of quitting? Findings from the ITC 4CV Survey (2016–2018)
Notice bibliographique
Résumé
INTRODUCTION: Limited research has investigated the relationship between multiple health conditions and subsequent quitting activities at the population level. This study examines whether nine health conditions and concerns related to smoking are predictive of quit attempts and success among those who tried. METHODS: Data came from the International Tobacco Control Four Country Smoking and Vaping Survey conducted in Australia, Canada, England and the US. A total of 3998 daily smokers were surveyed in 2016 and recontacted in 2018. Respondents were asked in 2016 whether they had a medical diagnosis for depression, anxiety, alcohol problems, obesity, chronic pain, diabetes, heart disease, cancer, and chronic lung disease, and whether they had concerns about past/future health effects of smoking. Outcomes were quit attempts and success (having been abstinent for at least one month between surveys). RESULTS: Across all four countries, 44.4% of smokers tried to quit between the two survey years, and of these 36.8% were successful. Concerns about past (adjusted odds ratio, AOR=1.66, 95% CI: 1.32-2.08, p<0.001) and future effects of smoking (AOR=2.17, 95% CI: 1.62-2.91, p<0.001) and most health conditions predicted quit attempts, but were mostly unrelated to quit success, with concerns about future effects (AOR=0.59, 95% CI: 0.35-0.99, p<0.05), chronic lung conditions (AOR=0.56, 95% CI: 0.37-0.86, p<0.01) and chronic pain (with a trend) being associated with lower success. CONCLUSIONS: Having a major chronic health condition does, generally, motivate making quit attempts, but in some cases it is associated with failure among those who try. More effective cessation support is required for these high priority groups.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».