Uptake of prescription smoking cessation pharmacotherapies after hospitalization for major cardiovascular disease
Notice bibliographique
Résumé
AIMS: We determined the prevalence of prescription smoking cessation pharmacotherapy (SCP) use after hospitalization for major cardiovascular disease (MCD) among people who smoke and whether this varies by sex. METHODS AND RESULTS: We conducted a population-based cohort study including all people hospitalized in New South Wales, Australia, between July 2013 and December 2018 (2017 for private hospitals) with an MCD diagnosis. For patients who also had a diagnosis of current tobacco use, we used linked pharmaceutical dispensing records to identify prescription SCP dispensings within 90 days post-discharge. We determined the proportion who were dispensed an SCP within 90 days, overall and by type of SCP. We used logistic regression to estimate the odds of females being dispensed an SCP relative to males. Of the 150 758 patients hospitalized for an MCD, 20 162 (13.4%) had a current tobacco use diagnosis, 31% of whom were female. Of these, 11.3% (12.4% of females, 10.9% of males) received prescription SCP within 90 days post-discharge; 3.0% were dispensed varenicline, and 8.3% were dispensed nicotine replacement therapy patches. Females were more likely than males to be dispensed a prescription SCP [odds ratio (OR) 1.16, 95% confidence interval (CI) 1.06-1.27)]; however, this was not maintained after adjusting for potential confounders (adjusted OR 1.04, 95% CI 0.94-1.15). CONCLUSION: Very few females and males who smoke use prescription SCPs after hospitalization for an MCD. The use of varenicline, the SCP with the highest efficacy, was particularly low. This represents a missed opportunity to increase smoking cessation in this high-risk population, thereby reducing their risk of recurrent cardiovascular events.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,000 | 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 tête enseignante, 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 ».