Patterns of E-Cigarette Use Among Cardiac Inpatients at a Tertiary-Care Hospital: A Cross-Sectional Survey
Notice bibliographique
Résumé
Background: E-cigarettes are promoted for smoking cessation due to their having lower toxicity than cigarettes, but they are often used recreationally and linked to cardiovascular, respiratory, and mental health risks. Clinicians must understand usage patterns and influencing factors to guide patients in reducing or quitting their use. Methods: We surveyed consecutive cardiac inpatients admitted to the University of Ottawa Heart Institute between November 2019 and May 2020. Surveys were conducted in-person or via telephone. Descriptive statistics and logistic regression were used to examine factors associated with vaping status. Results: During the evaluation, 1616 cardiac patients were admitted and discharged; 124 (7.7%) were ineligible, and 403 (24.9%) refused or were unreachable. A total of 1089 (73.0%) completed the survey. Among them, 10.3% had ever vaped, and 5.5% were current vapers. Of ever-users, 66.1% used vaping to quit smoking. Adjusted analysis showed that younger age, tobacco co-use, secondhand exposure at home, and lower education levels were significantly associated with e-cigarette use. Conclusions: This evaluation found a low overall rate of e-cigarette use among cardiac inpatients. However, e-cigarette use was more common among younger patients, tobacco users, and those exposed to tobacco or e-cigarettes at home. These factors highlight the importance of advising patients to reduce their exposure to tobacco and e-cigarettes in their home and social environments, as doing so may improve their chances of quitting. Incorporating future prospective research in additional populations and settings would help support the generalizability of these results and assess their impact on clinical outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».