Use of e-Cigarettes in Cigarette Smoking Cessation: Secondary Analysis of a Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: Many adults use e-cigarettes to help them quit cigarette smoking. However, the impact of self-selected use of e-cigarettes on cigarette smoking cessation, particularly when concurrently receiving app-based behavioral interventions, remains unexplored. OBJECTIVE: This study used data from a randomized trial of 2 smartphone apps to compare 12-month cigarette smoking cessation rates between participants who used e-cigarettes on their own (ie, adopters: n=465) versus those who did not (ie, nonadopters: n=1097). METHODS: The study population included all participants who did not use e-cigarettes at baseline. "Adopters" were those who self-reported the use of e-cigarettes at either 3- or 6-month follow-ups. "Nonadopters" were those who self-reported no use of e-cigarettes at either follow-up time point. The primary cessation outcome was self-reported, complete-case, 30-day point prevalence abstinence from cigarette smoking at 12 months. Secondary outcomes were missing-as-smoking and multiple imputation analyses of the primary outcome, prolonged abstinence, and cessation of all nicotine and tobacco products at 12 months. In logistic regression models, we first examined the potential interaction between e-cigarette use and treatment arm (iCanQuit vs QuitGuide) on the primary cessation outcome. Subsequently, we compared 12-month cigarette smoking cessation rates between adopters and nonadopters separately for each app. RESULTS: There was suggestive evidence for an interaction between e-cigarette use and treatment arm on cessation (P=.05). In the iCanQuit arm, 12-month cigarette smoking cessation rates were significantly lower among e-cigarette adopters compared with nonadopters (41/193, 21.2% vs 184/527, 34.9%; P=.003; odds ratio 0.55, 95% CI 0.37-0.81). In contrast, in the QuitGuide arm, 12-month cigarette smoking cessation rates did not differ between adopters and nonadopters (46/246, 18.7% vs 104/522, 19.9%; P=.64; odds ratio 0.91, 95% CI 0.62-1.35). CONCLUSIONS: The use of e-cigarettes while concurrently receiving an app-based smoking cessation intervention was associated with either a lower or an unimproved likelihood of quitting cigarette smoking compared to no use. Future behavioral treatments for cigarette smoking cessation should consider including information on the potential consequences of e-cigarette use. TRIAL REGISTRATION: ClinicalTrials.gov NCT02724462; https://clinicaltrials.gov/study/NCT02724462.
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 | 0,028 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,019 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 ».