Understanding the role of cessation fatigue in smoking relapse: Findings from the International Tobacco Control Four Country Smoking and Vaping Survey
Notice bibliographique
Résumé
BACKGROUND AND AIM: Relapse risk among people who formerly smoke is influenced by task difficulty. Cessation fatigue (CF) may be a better predictor than measures such as reported strength of urges to smoke (SUTS) and abstinence self-efficacy (ASE). It may also be affected by quit length and use of other nicotine products. The current study investigated whether post-quitting CF predicts higher relapse risk, its predictive utility relative to ASE and SUTS and whether the CF-relapse prediction was moderated by time since quitting. DESIGN: Data drawn from longitudinal cohort surveys conducted between 2016 and 2022 of the International Tobacco Control Four Country Smoking and Vaping Survey. SETTING: Canada, the United States, England and Australia. PARTICIPANTS: People aged 18 + years who formerly smoked (n = 1914). MEASUREMENTS: Generalised estimating equations logistic regression models were used to test for associations and moderation. FINDINGS: In separate individual analyses, CF, ASE and SUTS were statistically significant independent relapse predictors; however, when analysed together, CF was the only statistically significant relapse predictor [moderate CF: odds ratio (OR) = 1.64, 95% confidence interval (CI) = 1.21-2.23, P = 0.002; high CF: OR = 1.81, 95% CI = 1.07-3.07, P = 0.027) on top of continuing main effects of vaping and time since quitting, but time since quitting was not a moderator. CONCLUSIONS: Cessation fatigue appears to predict smoking relapse risk better than other measures related to task difficulty and does so independently of vaping and time since quitting, which are both protective.
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 | 0,000 |
| 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 ».