Impact of quitline services on tobacco cessation: an application of modern epidemiologic methods
Notice bibliographique
Résumé
This study investigated the effectiveness of quitline service intensity (high vs low) on past 30-day tobacco abstinence at 7-months' follow-up, using observational data from the Oklahoma Tobacco Helpline (OTH) between April 2020 and December 2021. To assess the impact of loss to follow-up and nonrandom treatment assignment, we fit the parameters of a marginal structural model to estimate inverse probability weights for censoring (IPCW), treatment (IPTW), and combined (IPCTW). The risk ratio (RR) was estimated using modified Poisson regression with robust variance estimator. Of the 4695 individuals included in the study, 64% received high-intensity cessation services, and 53% were lost to follow-up. Using the conventional complete case analysis (responders only), high-intensity cessation services were associated with abstinence (RR = 1.18; 95% CI, 1.04-1.34). The effect estimate was attenuated after accounting for censoring (RR = 1.14; 95% CI, 1.00-1.30). After adjusting for both baseline confounding and selection bias via IPTCW, high-intensity cessation services were associated with 1.23 times (95% CI, 1.08-1.41) the probability of abstinence compared to low-intensity services. Despite relatively high loss to follow-up, accounting for selection bias and confounding did not notably impact quit rates or the relationship between intensity of quitline services and tobacco cessation among OTH participants.
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 | 0,060 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».