Smoking patterns by birth cohort in Argentina: an age-period-cohort population-based modeling study
Notice bibliographique
Résumé
Background: Argentina's smoking rates remain high. We aim to estimate Argentina age-specific histories of smoking initiation, cessation, prevalence, and intensity by birth-cohort to inform policy interventions. Methods: Modeling study. Data from three Argentinian nationally representative surveys conducted from 2004 to 2018 (n = 268,193) were used to generate smoking histories. The Cancer Intervention and Surveillance Modeling (CISNET) Network Lung Working Group age, period, and cohort modeling approach was used to calculate smoking initiation and cessation probabilities, ever and current smoking prevalence, and intensity (cigarettes per day, CPD) by age, sex, and birth cohort from 1950 to 2018. Findings: Ever smoking prevalence increases with age up to 25 and decreases with birth cohorts after 1990. Smoking initiation peaks between 15 and 18 years of age. Among females, initiation probabilities increased until the 1955 cohort, reaching a second peak in 1980-85 cohorts and declining thereafter. Males have higher initiation probabilities than females. Among males, initiation has decreased since the 1950 birth cohort, with a slight increase around the 1985 cohort. Current smoking prevalence has been decreasing since the 1960 birth cohort, except for a peak in 1980-85 cohorts. Cessation increases with age. Mean CPD increases with age and peaks around age 40, appearing flat in females since the 1985 cohort. Interpretation: Recent birth cohorts seem to be experiencing lower rates of initiation, stable rates of quitting and lower current and ever smoking prevalence. The stabilization of cessation probabilities and mean CPD indicate the need to strengthen existing tobacco control measures and advance new ones. Funding: NIH/NCI U01CA253858 grant.
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 | 0,000 | 0,000 |
| 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 ».