Perceived stress and willingness to quit smoking among patients with depressive and anxiety disorders seeking treatment
Notice bibliographique
Résumé
Abstract Rationale and objectives Little are known about nicotine dependence (ND), perceived stress, and willingness to quit smoking at different treatment stages in patient with affective disorders (AD). This study aimed to evaluate the association between ND and perceived stress among patients with AD presenting with psychiatric treatment at different clinical stages (first visit or follow‐up), and in different nicotine type users (cigarette and waterpipe smokers). We also aimed to evaluate the willingness to quit smoking and its association with barriers to quitting. Methods This cross‐sectional mixed‐method study collected quantitative and qualitative data from patients (n = 57) presenting for treatment with AD and ND at different sites in Saudi Arabia. Quantitative validated scales were used to assess the 70 of depression symptoms, anxiety symptoms, perceived stress, and ND. Qualitative questions assessed barriers to quit smoking. We used a linear regression modeling to estimate the association between ND and perceived stress as well as to estimate the association between barrier to quit and willingness to quit. Results ND had a statistically significant association with perceived stress (odds ratio [OR]: 2.09; 95% confidence interval [CI]: 1.20‐3.63). Participants in the follow‐up group had a higher ND score than those in the first‐visit group. One of the most commonly reported barriers to quitting was using nicotine as a stress management (33.3%), which predicted positive willingness to quit (OR: 2.23; 95% CI: 1.48‐3.37; P < .01). Boredom was reported as a barrier in the waterpipe group more than cigarette group. Conclusion ND has a significant association with perceived stress regardless of treatment status in patients with AD, indicating the need to evaluate smoking cessation during the early stages of treatment for patients with AD and ND. It will be critical for clinicians to offer patients with AD alternative coping mechanisms to manage stress and boredom.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».