Temporal Trends in Tobacco Smoking Prevalence During the Period 2010–2020 in Vietnam: A Repeated Cross-Sectional Study
Notice bibliographique
Résumé
Objectives: This study used repeated cross-sectional data from three national surveys in Vietnam to determine tobacco smoking prevalence from 2010 to 2020 and disparities among demographic and socioeconomic groups. Methods: Tobacco smoking temporal trends were estimated for individuals aged 15 and over and stratified by demographic and socioeconomic status (SES). Prevalence estimates used survey weights and 95% confidence intervals. Logistic regression models adjusted for survey sample characteristics across time were used to examine trends. Results: Tobacco smoking prevalence dropped from 23.8% in 2010 to 22.5% in 2015 and 20.8% in 2020. The adjusted OR for 2015 compared to 2010 was 0.87, and for 2020 compared to 2010 was 0.69. Smoking decreased less for employed individuals than unemployed individuals in 2020 compared to 2010. Smoking was higher in the lower SES group in all 3 years. Higher-SES households have seen a decade-long drop in tobacco use. Conclusion: This prevalence remained constant in lower SES households. This highlights the need for targeted interventions to address the specific challenges faced by lower-SES smokers and emphasizes the importance of further research to inform effective policies.
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 | 0,005 | 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 | 0,001 |
| 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 ».