EFFECTIVENESS OF MEDICAL STUDENT COUNSELING FOR HOSPITALIZED PATIENTS ADDICTED TO TOBACCO (MS-CHAT): A RANDOMIZED CONTROLLED TRIAL
Notice bibliographique
Résumé
A. Khetan is a co-founder of SEHAT (Society to Enhance Health and Access to Treatments), Dalkhola, West Bengal, India. SEHAT provided funding for this study. Other authors have no relevant financial disclosures. ASCVD/CVD Risk Factors; Preventive Cardiology Best Practices The need for, and effectiveness of physician counseling for tobacco has been well emphasized. However, the medical curriculum in many countries offers very little training needed to offer effective behavioral counseling. We hypothesized that providing medical students with experiential training in tobacco cessation counseling will improve their knowledge, while providing a valuable resource to help patients quit. pandemic, the primary outcome was changed from a biochemically verified quit rate to self-reported 7-day point prevalence of smoking cessation at 6 months. Changes in medical student knowledge were assessed using a pre- and post-questionnaire delivered prior to and 12 months after training. Among 688 patients randomized across three medical schools, 343 were assigned to the intervention group and 345 to the control group. After 6 months of follow up, the primary outcome occurred in 188 patients (54.8%) in the intervention group, and 145 patients (42.0%) in the control group (absolute difference 12.8%; relative risk, 1.67; 95% confidence interval, 1.24-2.26; p <0.001). Among 70 medical students who participated in the study, knowledge increased from a mean score of 14.8 (±0.8, maximum score of 25) at baseline to a score of 18.1 (±0.8) at 12 months, an absolute mean difference of 3.3 (95% CI, 2.3-4.3; p <0.001). This is an effective, low cost intervention that achieves the dual purpose of providing experiential training in behavioral counseling to future physicians, while simultaneously helping tobacco users quit. It is easily scalable and can be tailored to meet the needs of medical education and tobacco cessation programs in health systems across the world.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».