SimSmoke simulation models distinguished by race/ethnicity: past and future trends and the potential role of policy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Policy interventions to reduce racial/ethnic cigarette smoking and related health disparities are needed to improve health equity. Simulation models can be useful in gauging the impact of tobacco control policies on trends in smoking-related outcomes, but few have systematically analyzed the impact of tobacco control policies across racial/ethnic groups. METHODS: We developed 3 separate SimSmoke models for the non-Hispanic White (NHW), non-Hispanic Black (NHB), and Hispanic populations. Following a first-order Markov process, population projections evolve through net immigration and death rates, and smoking prevalence evolves through initiation, cessation, and relapse. The models incorporate policies implemented from 2011 to 2023 and are used to consider trends in NHW, NHB, and Hispanic smoking prevalence and smoking-attributable death and the impact of policies on those trends. RESULTS: The models indicate major differences in smoking trends and smoking-attributable deaths (SADs) among NHW, NHB, and Hispanic adults, with NHB males experiencing the smallest smoking decline through 2023 and having the highest 2023 smoking prevalence. The models predict major differences in the impact of tobacco control policies, especially the greater effect of cigarette taxes on NHB and Hispanic adults than NHW adults and the reduced impact of T21 laws on NHB compared to NHW and Hispanic adults. DISCUSSION: The models predict large differences in levels and rates of decline in NHW, NHB, and Hispanic smoking prevalence, leading to widening health disparities between racial/ethnic groups. Further study is needed on differential race/ethnicity impacts of tobacco control policies and the role of cigars, e-cigarettes, and other product use.
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.
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 | 0,001 |
| 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 découle