Electronic Cigarette Vaping Did Not Enhance the Neural Process of Working Memory for Regular Cigarette Smokers
Notice bibliographique
Résumé
Background Electronic cigarettes (e-cigs) as substitute devices for regular tobacco cigarettes (r-cigs) have been increasing in recent times. We investigated neuronal substrates of vaping e-cigs and smoking r-cigs from r-cig smokers. Methods Twenty-two r-cig smokers made two visits following overnight smoking cessation. Functional magnetic resonance imaging (fMRI) data were acquired while participants watched smoking images. Participants were then allowed to smoke either an e-cig or r-cig until satiated and fMRI data were acquired. Their craving levels and performance on the Montreal Imaging Stress Task and a 3-back alphabet/digit recognition task were obtained and analyzed using two-way repeated-measures analysis of variance. Regions-of-interest (ROIs) were identified by comparing the abstained and satiated conditions. Neuronal activation within ROIs was regressed on the craving and behavioral data separately. Results Craving was more substantially reduced by smoking r-cigs than by vaping e-cigs. The response time (RT) for the 3-back task was significantly shorter following smoking r-cigs than following vaping e-cigs (interaction: F (1, 17) = 5.3, p = 0.035). Neuronal activations of the right vermis (r = 0.43, p = 0.037, CI = [-0.05, 0.74]), right caudate (r = 0.51, p = 0.015, CI = [0.05, 0.79]), and right superior frontal gyrus (r = −0.70, p = 0.001, CI = [−0.88, −0.34]) were significantly correlated with the RT for the 3-back task only for smoking r-cigs. Conclusion Our findings suggest that insufficient satiety from vaping e-cigs for r-cigs smokers may be insignificant effect on working memory function.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».