Effects of vaping on physical and mental health in at-risk populations (VAPE): mixed-methods study of motivations for and perspectives on vaping in patients with opioid use disorder
Notice bibliographique
Résumé
BACKGROUND: Vaping is increasing in popularity. Vape products are offered in a wide variety and promise to reduce harms associated with cigarette smoking, among other claims. The motivations for vaping in patients with substance use disorder are largely unknown. AIMS: To describe perceptions and motivations regarding vaping among patients with opioid use disorder (OUD) who vape. METHOD: A convergent mixed-methods study design was used, and individual, semi-structured interviews were conducted with 41 individuals with OUD who were receiving medication for OUD and also vaped. An inductive data-driven approach was employed to characterise perspectives on vaping. RESULTS: The mean ages at which participants had been introduced to vaping and initiated regular vaping were 33.95 years (s.d. 12.70) and 34.85 years (s.d. 12.38), respectively. Daily vaping (85%) of nicotine, flavoured nicotine or cannabis was common, with 27% reporting vaping both nicotine and cannabis. Qualitative analysis identified 14 themes describing motivations for vaping, including viewing vaping as a smoking cessation tool, convenience and popularity among youth. CONCLUSIONS: Mixed-methods findings indicated that patients with OUD who vape perceived vaping to be healthier, cleaner and more convenient than cigarette and cannabis smoking, without appreciating the health risks. The perspectives reflected the importance of health education, guidelines and screening tools for vaping and could provide direction for healthcare providers and future vaping cessation programmes.
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 ».