Unintended Side Effects of Electronic Cigarettes in Otolaryngology: A Scoping Review
Notice bibliographique
Résumé
OBJECTIVE: Electronic cigarettes (E-cigs) are nicotine delivery systems with increasing popularity. The US Food and Drug Administration defines side effects as unwanted or unexpected events or reactions. Our objective was to examine the unintended otolaryngology-related side effects associated with E-cigs. DATA SOURCES: Medline, EMBASE, CINAHL, Web of Science, and CENTRAL databases. REVIEW METHODS: Study selection was independently performed by 2 authors in accordance with the PRISMA-ScR statement (Preferred Reporting Items for Systematic Reviews and Meta-analyses Extension for Scoping Reviews); discrepancies were resolved by the senior author. English studies from database inception to May 1, 2020, with a sample size >5 were included. In vitro, animal, and lower respiratory tract studies were excluded. The main outcome was defined as otolaryngology-related side effects following E-cig use. Levels of evidence per the Oxford Centre for Evidence-Based Medicine were used to determine study quality. RESULTS: From 1788 articles, 32 studies were included. The most common unintended side effects were throat irritation (n = 16), cough (n = 16), mouth irritation (n = 11), and oral mucosal lesions (n = 8). A large proportion of participants also reported conventional tobacco use in addition to E-cigs. Eight studies investigated the effectiveness of vaping on smoking cessation. The quality of the literature was level 2 to 4. Given the significant heterogeneity in the studies, meta-analysis was not performed. CONCLUSION: The most reported side effects were throat and mouth irritation, followed by cough. The long-term impact of E-cigs is not known given the recent emergence of this technology. Future studies are warranted.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».