Changes in the smoking status of primary care professionals and their association with rates of tobacco treatment delivery: the TiTAN Greece & Cyprus tobacco dependence treatment training programme
Notice bibliographique
Résumé
Abstract Aim: This study examines the impact of a continuing medical education (CME) intervention on smoking cessation among primary-care professionals (PCPs) and explores the relationship between PCP smoking status and patient tobacco-treatment delivery. Background: High rates of tobacco use among PCPs have been reported in several European countries. PCPs who smoke are less motivated to provide cessation support to their patients. Methods: A before-after study was conducted with 228 PCPs from Greece and Cyprus. The intervention included a one-day CME training, a 2.5-hour seminar three months later, and practice tools. Expert faculty provided informal support to smoking PCPs. Changes in PCP smoking status and 5As (ask, advise, assess, assist, and arrange) tobacco treatment delivery were assessed before and six months after training. Analysis of variance (ANOVA) and analysis of covariance (ANCOVA) were used to evaluate the association between the training and PCP smoking status and 5As delivery. Findings: At baseline, 18% ( n = 47) of PCPs were current smokers, and 39% ( n = 66) were ex-smokers. At follow-up, 31.9% of current smokers reported quitting ( n = 15/47; p < 0.001). Smoking cessation was higher among female PCPs ( p = 0.02) and those in Cyprus and Thessaloniki ( p < 0.01). PCPs reported increased 5As delivery at follow-up, with the highest rates among ex-smokers (>6 months) and never smokers. PCPs reported significant quitting rates following a comprehensive evidence-based training intervention. The findings suggest that addressing PCPs’ smoking status can improve both health-care provider and patient smoking 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».