The smoking and vaping model, A user-friendly model for examining the country-specific impact of nicotine VAPING product use: application to Germany
Notice bibliographique
Résumé
BACKGROUND: Simulation models play an increasingly important role in tobacco control. Models examining the impact of nicotine vaping products (NVPs) and smoking tend to be highly specialized and inaccessible. We present the Smoking and Vaping Model (SAVM),a user-friendly cohort-based simulation model, adaptable to any country, that projects the public health impact of smokers switching to NVPs. METHODS: SAVM compares two scenarios. The No-NVP scenario projects smoking rates in the absence of NVPs using population projections, deaths rates, life expectancy, and smoking prevalence. The NVP scenario models vaping prevalence and its impact on smoking once NVPs became popular. NVP use impact is estimated as the difference in smoking- and vaping-attributable deaths (SVADs) and life-years lost (LYLs) between the No-NVP and NVP scenarios. We illustrate SAVM's adaptation to the German adult ages 18+ population, the Germany-SAVM by adjusting the model using population, mortality, smoking and NVP use data. RESULTS: Assuming that the excess NVP mortality risk is 5% that of smoking, Germany-SAVM projected 4.7 million LYLs and almost 300,000 SVADs averted associated with NVP use from 2012 to 2060. Increasing the excess NVP mortality risk to 40% with other rates constant resulted in averted 2.8 million LYLs and 200,000 SVADs during the same period. CONCLUSIONS: SAVM enables non-modelers, policymakers, and other stakeholders to analyze the potential population health effects of NVP use and public health interventions.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».