Implementation of a Novel Electronic Patient-Directed Smoking Cessation Platform for Cancer Patients: Interrupted Time Series Analysis (Preprint)
Notice bibliographique
Résumé
BACKGROUND Continued smoking in cancer patients undergoing treatment results in significantly higher rates of treatment toxicities and persistent effects, increased risk of recurrence and second malignancy, and increased all-cause mortality. Despite this, routine tobacco use screening and the provision of smoking cessation treatment has yet to be implemented widely in the cancer setting. OBJECTIVE The objective of this study was to implement and evaluate the adoption and impact of an innovative Smoking Cessation e-referral System (CEASE) to promote referrals to smoking cessation programs in cancer patients. METHODS A patient-directed electronic smoking cessation platform (CEASE) was developed to promote smoking screening and referral and implemented at 1 of Canada’s largest cancer centers. The implementation and evaluation were guided by the Ottawa Model of Research Use. An interrupted time series design was used to examine the impact of CEASE on screening rates, referrals offered, and referrals accepted compared with a previous paper-based screening program. A subsample of smokers or recent quitters was also assessed and compared pre- and postimplementation to examine the effect of CEASE on subsequent contact with smoking cessation programs and quit attempts. RESULTS A total of 17,842 new patients attended clinics over the 20-month study period. The CEASE platform was successfully implemented across all disease sites. Screening rates increased from 44.28% (2366/5343) using the paper-based approach to 65.72% (3538/5383) using CEASE (P<.01), and referrals offered to smokers who indicated interest in quitting increased from 18.6% (58/311) to 98.8% (421/426; P<.01). Accepted referrals decreased from 41% (24/58) to 20.4% (86/421), though the overall proportion of referrals generated from total current/recent tobacco users willing to quit increased from 5.8% (24/414) to 20.2% (86/426) due to the increase in referrals offered. At 1-month postscreening, there was no significant difference in the proportion that was currently using tobacco and had not changed use in the past 4 weeks (pre: 28.9% [24/83] and post: 28.8% [83/288]). However, contact with the referral program increased from 0% to 78% in the postCEASE cohort (P<.001). CONCLUSIONS CEASE is an innovative tool to improve smoking screening and can be implemented in both a time- and cost-effective manner which promotes sustainability. CEASE was successfully implemented across all clinics and resulted in improvements in overall screening and referral rates and engagement with referral services.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
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 | 0,012 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».