Tobacco cessation strategies in military personnel: A meta-analysis of randomized trials
Notice bibliographique
Résumé
To evaluate the effectiveness of behavioural and pharmacological tobacco cessation interventions among active-duty military personnel and veterans. We followed PRISMA guidelines to assess the efficacy of behavioural and pharmacological interventions on tobacco cessation in military populations. Randomized controlled trials were identified through PubMed (from 1966), Web of Science (from 1900), Scopus (from 1960), and the Cochrane Library/CENTRAL (from 1991) from database inception to July 2024. Random-effect models were used to estimate odds ratios and 95 % confidence intervals. Five randomized controlled trials involving a total of 2619 participants were included. Seven-day point prevalence abstinence was significantly increased at short-term (≤ 3 months) (OR 2.03 [95 % CI: 1.49, 2.77], low certainty) and long-term (≥ 6 months) (OR 1.53 [95 % CI: 1.12, 2.09], low certainty) follow-ups among those receiving interventions compared with controls. Subgroup analyses were conducted by type of personnel, tobacco product, intervention type, and sex. These findings highlight the need for stronger, accessible, and military-tailored cessation programs, particularly for veterans who show lower quit rates. Expanding high-quality randomized trials that test modern cessation approaches in diverse military populations is essential to inform future policy and clinical practice. • First systematic review and meta-analysis on tobacco cessation in military. • Tobacco cessation programs improve both short- and long-term quit rates. • Behavioural counseling and nicotine replacement therapy are most effective. • Veterans show lower quit success than active-duty military personnel. • Future research should assess modern cessation approaches in diverse groups.
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 | 0,025 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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) | 0,002 | 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 ».