Variability in patient sociodemographics, clinical characteristics, and healthcare service utilization among 107,302 treatment seeking smokers in Ontario: A cross-sectional comparison
Notice bibliographique
Résumé
BACKGROUND: Since 2005, the Smoking Treatment for Ontario Patients (STOP) program has provided smoking cessation treatment of varying form and intensity to smokers through 11 distinct treatment models, either in-person at partnering healthcare organizations or remotely via web or telephone. We aimed to characterize the patient populations reached by different treatment models. METHODS: We linked self-report data to health administrative databases to describe sociodemographics, physical and mental health comorbidity, healthcare utilization and costs. Our sample consisted of 107,302 patients who enrolled between 18Oct2005 and 31Mar2016, across 11 models operational during different time periods. RESULTS: Patient populations varied on sociodemographics, comorbidity burden, and healthcare usage. Enrollees in the Web-based model were youngest (median age: 39; IQR: 29-49), and enrollees in primary care-based Family Health Teams were oldest (median: 51; IQR: 40-60). Chronic Obstructive Pulmonary Disease and hypertension were the most common physical health comorbidities, twice as prevalent in Family Health Teams (32.3% and 30.8%) than in the direct-to-smoker (Web and Telephone) and Pharmacy models (13.5%-16.7% and 14.7%-17.7%). Depression, the most prevalent mental health diagnosis, was twice as prevalent in the Addiction Agency (52.1%) versus the Telephone model (25.3%). Median healthcare costs in the two years up to enrollment ranged from $1,787 in the Telephone model to $9,393 in the Addiction Agency model. DISCUSSION: While practitioner-mediated models in specialized and primary care settings reached smokers with more complex healthcare needs, alternative settings appear better suited to reach younger smokers before such comorbidities develop. Although Web and Telephone models were expected to have fewer barriers to access, they reached a lower proportion of patients in rural areas and of lower socioeconomic status. Findings suggest that in addition to population-based strategies, embedding smoking cessation treatment into existing healthcare settings that reach patient populations with varying disparities may enhance equitable access to treatment.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».