Prevalence of smokeless tobacco use in India and its association with various occupations: A LASI study
Notice bibliographique
Résumé
Background: More than two-thirds of deaths in developing countries are due to non-communicable diseases, and tobacco is a leading risk factor. There are numerous different socio-demographic factors that impact on the use of smokeless tobacco, of which occupation is one. The objectives of this study are to find out the overall prevalence of smokeless tobacco use (ever and current use), the pattern of association with various occupations and related variables (current and past workers), and the role of childhood adversity on initiation and use. Methods: This study used data from the Longitudinal Aging Study in India (LASI) wave 1, a nationally representative cross-sectional study collected in 2017-18. Current and previous users of smokeless tobacco are taken into consideration as the target population. For the data analysis, survey-weighted tools have been applied for descriptive statistics and multivariable logistic regression model. The weighted data analysis has been done using R studio with R version 4. Results and discussion: From the sample size of 65,561, 38% have used either smoking or smokeless tobacco. Among them, 40% use tobacco in smoke form, 51% use smokeless tobacco, and 9% take both. At the population level, 22.8 and 20.4% are previous and current users of smokeless tobacco, respectively. Type of occupation, type of employer, place of work, kind of business, and workload were found to be significantly associated with smokeless tobacco use. A deaddiction and tobacco quitting policy targeting rural male informal workers should be the focus of the Government.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».