Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

Luftforurening og graviditet (PTB)

21. november 2025 opdateret af: Queen Mary University of London

Virkningerne af luftforurening på graviditet og uønskede fødselsresultater

Vi er et tværfagligt team af britiske forskere med ekspertise inden for obstetrik, kvinders og børns sundhed, epidemiologi, klimavidenskab, inflammation, beregningsmodellering, maskinlæring og kunstig intelligens. Sammen har vi en lang historie med eksisterende styrker bag forskning inden for tidlig fødsel, der krydser flere discipliner, og en fremragende track record af publikationer og priser førende forskning inden for tidlig fødsel.

Vi sigter mod at udvikle og validere en dyb læringsmodel til at forudsige risikoen for for tidlig fødsel og andre ugunstige graviditetsresultater ved hjælp af data fra EPIC elektroniske sundhedsjournaler ved University College London Hospital Trust (UCLH) for en kohorte på 18.000 patienter. Vi vil indhente tilsvarende data om eksponering for omgivende forurening ved hjælp af ikke-identifikatorer for postnummer (område) og leveringsdato (måned). Modellen vil gennemgå den tidsmæssige rækkefølge af hændelser inden for en patients sygehistorie og nuværende graviditet, identificere væsentlige interaktioner og forudsige risikoen for for tidlig fødsel. Det vil også bestemme den tærskel og drægtighed, hvor forureningseksponering har den største påvirkning.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

For tidlig fødsel er den førende årsag til neonatal sygelighed og dødelighed på verdensplan. Børn født for tidligt har højere forekomst af cerebral parese, sensoriske underskud, indlæringsvanskeligheder og luftvejssygdomme. I Storbritannien fødes omkring 60.000 babyer for tidligt hvert år. Dette svarer til 1 ud af 9 graviditeter i England, og antallet stiger til 1 ud af hver 7 graviditeter i London. I omkring 40 % af tilfældene er årsagen til for tidlig fødsel ukendt. Nuværende algoritmer til at forudsige for tidlig fødsel er begrænset i deres evne til at identificere kvinder med størst risiko for at føde for tidligt og tager ikke genetiske, livsstils- og miljømæssige forhold i betragtning i deres forudsigelse. Med den hurtige udvikling af machine learning og deep learning er det nu muligt at udvikle modeller, som kan overveje et større antal variabler inden for deres prædiktive algoritme, for at formulere en patientspecifik forudsigelse af risiko. Der er voksende evidens for, at mødres eksponering for luftforurening under graviditet er forbundet med en øget risiko for for tidlig fødsel. Eksponering for luftforurening kan være forbundet med dårlig placentafunktion, præeklampsi og dårlig fostervækst, selvom der er begrænsede data om disse negative graviditetsresultater, som alle kan føre til for tidlig fødsel. På nuværende tidspunkt mangler mange af de seneste epidemiologiske undersøgelser på dette område detaljerede og matchende kliniske datasæt uden huller i elektroniske optegnelser.

Denne undersøgelse har til formål at:

  1. Forbind data om eksponering for luftforurening med meget detaljerede kliniske datasæt, der er udtrukket fra elektroniske patientjournaler fra University College London Hospital NHS Trust (UCLH)
  2. Udvikle en beregningsmodel, som nøjagtigt kan forudsige den graviditet, hvor en patient vil føde i uger og dage
  3. Brug modellen til at identificere de tidspunkter i graviditeten, hvor luftforurening har størst indflydelse på graviditetsresultater

Undersøgelsestype

Observationel

Tilmelding (Anslået)

200000

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiesteder

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

N/A

Prøveudtagningsmetode

Ikke-sandsynlighedsprøve

Studiebefolkning

Vi sigter mod at inkludere data fra gravide kvinder, der fødte på UCLH fra 2019, da EPIC blev lanceret, og indtil udgangen af ​​2023. Der er ingen specificeret øvre aldersgruppe for denne undersøgelse. For at forbedre inklusiviteten vil vi tilstræbe at indsamle oplysninger fra alle kvinder, der reserverer og leverer på UCLH for at sikre, at etniske minoritetsgrupper og patienter med socialt afsavn eller med yderligere graviditetskomplicerende lidelser er inkluderet i vores datasæt.

Beskrivelse

Inklusionskriterier:

  • Vi sigter mod at inkludere data fra gravide kvinder, der fødte på University College London Hospitaler fra 2019 og fremefter efter starten af ​​den EPIC elektroniske patientjournal. Der er ingen specificeret aldersgruppe for denne undersøgelse, for at forbedre inklusiviteten. Vi sigter også mod at repræsentere etniske minoritetsgrupper og patienter med socialt afsavn i vores datasæt.

Ekskluderingskriterier:

  • Vi vil udelukke data fra patienter med en ufuldstændig varighed af opfølgning på grund af overførsel af svangerskabspleje til levering hos en anden trust. Patienter med ufuldstændige tidligere obstetriske historiedata, unøjagtige estimater af gestationsalder (f. grundet for sen reservation af graviditeten) og manglende data for 'postnummer med sædvanlig adresse' vil også blive udelukket. Patienter, der er under 18 år, vil blive udelukket.

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Maskinlæringsmodel til at forudsige risikoen for for tidlig fødsel og ugunstige fødselsresultater
Tidsramme: 36 måneder
Vi sigter mod at udvikle en dyb læringsalgoritme til at forudsige risikoen for for tidlig fødsel og andre uønskede graviditetsresultater ved hjælp af data fra elektroniske sundhedsjournaler og en spatiotemporal model for omgivende forureningsniveauer i London. Modellen vil overveje personlige, livsstils- og miljøfaktorer sammen med traditionelle risikofaktorer for at forudsige graviditeten, hvor der er størst sandsynlighed for, at fødslen vil forekomme. Dette kan klassificeres som 'termin', 'sen præmature', 'moderat præmatur', 'meget præmatur' og 'ekstrem præmatur'.
36 måneder

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Maskinlæringsmodel til at forudsige, hvordan luftkvalitet øger risikoen for for tidlig fødsel og ugunstige fødselsresultater
Tidsramme: 42 måneder
Denne model vil også gennemgå den tidsmæssige rækkefølge af hændelser inden for en patients sygehistorie og nuværende graviditet, og identificere væsentlige interaktioner. Andre uønskede graviditetsudfald såsom fødselsvægt, fødselsvægtcentil, præeklampsi, lille for svangerskabsalderen, fostervækstbegrænsning vil også blive undersøgt.
42 måneder

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Queen Mary University of London

Samarbejdspartnere

University College London Hospitals

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

1. november 2024

Primær færdiggørelse (Anslået)

31. oktober 2029

Studieafslutning (Anslået)

30. november 2029

Datoer for studieregistrering

Først indsendt

26. marts 2024

Først indsendt, der opfyldte QC-kriterier

26. marts 2024

Først opslået (Faktiske)

2. april 2024

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

24. november 2025

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

21. november 2025

Sidst verificeret

1. november 2025

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Yderligere relevante MeSH-vilkår

Andre undersøgelses-id-numre

  • 331247

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

INGEN

IPD-planbeskrivelse

Data fra EPICs elektroniske sundhedsjournaldatabase vil blive anonymiseret på UCLH for at skabe et sekundært datasæt med anonymiseret identifikator for patientidentifikation, postnummer (område) og leveringsdato (måned). Rådata screenet. Patienter udelukket i henhold til kriterier.

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .

Kliniske forsøg med For tidlig fødsel

Kliniske forsøg med Politik

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Ireland

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner