Vaping cessation interventions: a systematic review and meta-analysis
Notice bibliographique
Résumé
OBJECTIVE: Electronic nicotine delivery systems (ENDS), such as e-cigarettes, have surged in popularity. While long-term risks remain unclear, known dangers include nicotine addiction, E-cigarette or Vaping Use-Associated Lung Injury and potential extrapulmonary effects on the heart, immune system and neurodevelopment. Addressing ENDS addiction may require strategies akin to smoking cessation. However, evidence is lacking; there are no currently approved vaping-cessation aids. The objective of this review is to summarise the available literature addressing interventions for vaping cessation. DATA SOURCES AND STUDY SELECTION: A librarian-assisted search was conducted in MEDLINE, Embase and Scopus, as well as preprints in Europe PMC, Open Science Framework, and the grey literature searches until January 2024. Six included studies used self-report methods to determine the abstinence rate, while one study used cotinine-level-verified self-reported abstinence. We included randomised controlled trials (RCTs) that examine 'rates of vaping cessation' outcomes. An intention-to-treat approach was used for data extraction, and random-effects meta-analyses models were applied. DATA SYNTHESIS: Seven RCTs were included, which studied pharmacological therapy, digital interventions and/or educational content. The primary meta-analyses demonstrated a statistically significant increase in the odds of achieving 7-day point prevalence abstinence (PPA) (OR 1.52, 95% CI 1.15 to 2.01, number of participants=3244, moderate-certainty) and continuous abstinence (OR 2.71, 95% CI 1.31 to 5.61, number of participants=164, low-certainty) following intervention. A non-significant increase in odds was noted at 30-day PPA (OR 1.32, 95% CI 0.72 to 2.42, number of participants=1994, very low certainty). CONCLUSIONS: Vaping cessation interventions increase 7-day PPA rates at 1-12 months follow-up and this was consistent across prespecified subgroup analyses of the intervention type, outcome and duration of follow-up. More high-quality studies with reproducible findings are needed to enhance the certainty of the evidence and guide clinical interventions. PROSPERO REGISTRATION NUMBER: CRD42022383670.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,005 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».