Engaging Patients in Smoking Cessation Treatment within the Lung Cancer Screening Setting: Lessons Learned from an NCI SCALE Trial
Notice bibliographique
Résumé
Offering smoking cessation treatment at lung cancer screening (LCS) will maximize mortality reduction associated with screening, but predictors of treatment engagement are not well understood. We examined participant characteristics of engagement in an NCI SCALE cessation trial. Eligible LCS patients (N = 818) were randomized to the Intensive arm (8 phone counseling sessions +8 weeks of nicotine replacement therapy (NRT)) vs. Minimal arm (3 sessions + 2 weeks of NRT). Engagement was measured by number of sessions completed (none, some, or all) and NRT mailed (none vs. any) in each arm. In the Intensive arm, those with ≥some college (OR = 2.1, 95% CI = 1.1, 4.0) and undergoing an annual scan (OR = 2.1, 95% CI = 1.1, 4.2) engaged in some counseling vs. none. Individuals with higher nicotine dependence were more likely (OR = 2.8, 95% CI = 1.3, 6.2) to request NRT. In the Minimal arm, those with higher education (OR = 2.1, 95% CI = 1.1, 3.9) and undergoing an annual scan (OR = 2.0, 95% CI = 1.04, 3.8) completed some sessions vs. none. Requesting NRT was associated with more pack-years (OR = 1.9, 95% CI = 1.1, 3.5). Regardless of treatment intensity, additional strategies are needed to engage those with lower education, less intensive smoking histories, and undergoing a first scan. These efforts will be important given the broader 2021 LCS guidelines.
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 | 0,017 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».