Treatment use patterns in a large extended-treatment tobacco cessation program: predictors and cost implications
Notice bibliographique
Résumé
BACKGROUND: Tobacco dependence follows a chronic and relapsing course, but most treatment programmes are short. Extended care has been shown to improve outcomes. Examining use patterns for longer term programmes can quantify resource requirements and identify opportunities for improving retention. METHODS: We analyse 38 094 primary care treatment episodes from a multisite smoking cessation programme in Ontario, Canada that provides free nicotine replacement therapy (NRT) and counselling. We calculate distributional measures of weeks of NRT used, clinical visits attended and total length of care. We then divide treatment courses into four exclusive categories and fit a multinomial logistic regression model to measure associations with participant characteristics, using multiple imputation to address missing data. RESULTS: Time in treatment (median=50 days), visits (median=3) and weeks NRT used (median=8) were well below the maximum available. Of all programme enrolments, 28.8% (95% CI=28.3% to 29.3%) were single contacts, 31.3% (30.8% to 31.8%) lasted <12 weeks, 19.2% (18.8% to 19.6%) were ≥12 weeks with an 8-week interruption and 20.7% (20.3%-21.1%) were ≥12 weeks without interruptions. Care use was most strongly associated with participant age and whether the nicotine patch was dispensed at the first visit. CONCLUSION: Treatment use results imply that the marginal costs of extending treatment programmes are relatively low. The prevalence of single contacts supports additional engagement efforts at the initial visit, while interruptions in care highlight the ability of longer term care to address relapse. Results show that use of the nicotine patch is associated with retention in care, and that improving engagement of younger patients should be a priority.
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 | 0,000 |
| 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 ».