Publicly subsidised smoking cessation medicines in times of <scp>COVID</scp>‐19 in Australia: An interrupted time series analysis
Notice bibliographique
Résumé
INTRODUCTION: In Australia, the available published literature demonstrated a spike in dispensed prescription medicines after the onset of the COVID-19 pandemic that subsequently returned to expected levels. Smoking cessation medicines may not follow this pattern because quit attempts are influenced by a range of factors. Knowledge of whether dispensing of these medicines has changed since the pandemic is lacking. We explored the change in dispensing of publicly subsidised smoking cessation medicines since the pandemic. METHODS: Australia's universal health-care system provides access to government-subsidised medicines via the Pharmaceutical Benefits Scheme and records of dispensed medicines are publicly available on a nationally aggregated level. We retrieved Pharmaceutical Benefits Scheme data from January 2016 to January 2021. We used interrupted time series modelling to quantify the impact of COVID-19 on dispensing of nicotine replacement therapy (NRT) patches, varenicline and all smoking cessation treatments combined separately. RESULTS: After an initial spike in medicines at the onset of the pandemic, the monthly rate of prescriptions dispensed for varenicline was predominantly within predicted ranges, while that of NRT patches was predominantly below predicted ranges. DISCUSSION AND CONCLUSIONS: There has been a differential change in the number of subsidised smoking cessation medicines supplied in Australia since the COVID-19 pandemic, with varenicline prescriptions largely within, and NRT patches largely lower than, expected ranges. The reasons for the apparent change in dispensing of subsidised smoking cessation medicines are unclear.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 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 ».