Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Luftverschmutzung und Schwangerschaft (PTB)

21. November 2025 aktualisiert von: Queen Mary University of London

Die Auswirkungen der Luftverschmutzung auf Schwangerschaft und unerwünschte Geburtsergebnisse

Wir sind ein interdisziplinäres Team britischer Wissenschaftler mit Fachkenntnissen in den Bereichen Geburtshilfe, Frauen- und Kindergesundheit, Epidemiologie, Klimawissenschaft, Entzündung, Computermodellierung, maschinelles Lernen und künstliche Intelligenz. Gemeinsam können wir auf eine lange Geschichte mit bestehenden Stärken zurückblicken, die der Frühgeburtenforschung zugrunde liegen, die mehrere Disziplinen umfasst, und eine hervorragende Erfolgsbilanz bei Veröffentlichungen und Auszeichnungen führender Forschung im Bereich Frühgeburten vorweisen.

Unser Ziel ist die Entwicklung und Validierung eines Deep-Learning-Modells zur Vorhersage des Risikos einer Frühgeburt und anderer unerwünschter Schwangerschaftsausgänge unter Verwendung von Daten aus elektronischen EPIC-Gesundheitsakten des University College London Hospital Trust (UCLH) für eine Kohorte von 18.000 Patienten. Entsprechende Daten zur Belastung durch Luftverschmutzung ermitteln wir anhand der Nicht-Identifikatoren für Postleitzahl (Gebiet) und Lieferdatum (Monat). Das Modell wird die zeitliche Abfolge von Ereignissen in der Krankengeschichte und der aktuellen Schwangerschaft einer Patientin überprüfen, signifikante Wechselwirkungen identifizieren und das Risiko einer Frühgeburt vorhersagen. Es wird auch die Schwelle und den Schwangerschaftszeitraum bestimmen, ab dem die Schadstoffexposition die größten Auswirkungen hat.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Frühgeburten sind weltweit die häufigste Ursache für Morbidität und Mortalität bei Neugeborenen. Zu früh geborene Kinder leiden häufiger an Zerebralparese, sensorischen Defiziten, Lernschwierigkeiten und Atemwegserkrankungen. In Großbritannien werden jedes Jahr etwa 60.000 Babys zu früh geboren. Dies entspricht einer von neun Schwangerschaften in England und in London steigt die Zahl auf eine von sieben Schwangerschaften. In etwa 40 % der Fälle ist die Ursache einer Frühgeburt unbekannt. Derzeitige Algorithmen zur Vorhersage von Frühgeburten sind nur begrenzt in der Lage, Frauen mit dem höchsten Risiko für eine Frühgeburt zu identifizieren, und berücksichtigen bei ihrer Vorhersage nicht genetische Faktoren, Lebensstil und Umweltbedingungen. Mit der rasanten Entwicklung des maschinellen Lernens und des Deep Learning ist es nun möglich, Modelle zu entwickeln, die eine größere Anzahl von Variablen in ihrem Vorhersagealgorithmus berücksichtigen können, um eine patientenspezifische Risikovorhersage zu formulieren. Es gibt immer mehr Hinweise darauf, dass die Belastung der Mutter durch Luftverschmutzung während der Schwangerschaft mit einem erhöhten Risiko einer Frühgeburt verbunden ist. Die Belastung durch Luftverschmutzung kann mit einer schlechten Plazentafunktion, Präeklampsie und einem schlechten Wachstum des Fötus verbunden sein, obwohl es nur begrenzte Daten zu diesen unerwünschten Schwangerschaftsausgängen gibt, die allesamt zu einer Frühgeburt führen können. Derzeit mangelt es vielen aktuellen epidemiologischen Studien in diesem Bereich an detaillierten und passenden klinischen Datensätzen ohne Lücken in den elektronischen Aufzeichnungen.

Diese Studie zielt darauf ab:

  1. Verknüpfen Sie Daten zur Luftverschmutzung mit hochdetaillierten klinischen Datensätzen, die aus elektronischen Patientenakten des University College London Hospital NHS Trust (UCLH) extrahiert wurden.
  2. Entwickeln Sie ein Rechenmodell, das die Schwangerschaft, zu der eine Patientin in Wochen und Tagen entbinden wird, genau vorhersagen kann
  3. Identifizieren Sie mithilfe des Modells die Zeitpunkte in der Schwangerschaft, zu denen die Luftverschmutzung den größten Einfluss auf den Schwangerschaftsausgang hat

Studientyp

Beobachtungs

Einschreibung (Geschätzt)

200000

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienorte

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

N/A

Probenahmeverfahren

Nicht-Wahrscheinlichkeitsprobe

Studienpopulation

Unser Ziel ist es, Daten von schwangeren Frauen einzubeziehen, die ab 2019, als EPIC eingeführt wurde, und bis Ende 2023 an der UCLH entbunden haben. Für diese Studie gibt es keine festgelegte Altersobergrenze. Um die Inklusion zu verbessern, werden wir versuchen, Informationen von allen Frauen zu sammeln, die bei UCLH buchen und liefern, um sicherzustellen, dass ethnische Minderheiten und Patienten mit sozialer Benachteiligung oder mit zusätzlichen schwangerschaftskomplizierenden Störungen in unseren Datensatz einbezogen werden.

Beschreibung

Einschlusskriterien:

  • Unser Ziel ist es, Daten von schwangeren Frauen einzubeziehen, die ab 2019 nach dem Start der elektronischen Patientenakte EPIC in Krankenhäusern des University College London entbunden haben. Um die Inklusivität zu verbessern, gibt es für diese Studie keine festgelegte Altersspanne. Unser Ziel ist es auch, ethnische Minderheitengruppen und Patienten mit sozialer Benachteiligung in unserem Datensatz zu repräsentieren.

Ausschlusskriterien:

  • Wir werden Daten von Patienten mit einer unvollständigen Nachbeobachtungszeit aufgrund der Übertragung der Schwangerschaftsvorsorge zur Entbindung bei einer anderen Vertrauensstelle ausschließen. Patienten mit unvollständigen Daten zur geburtshilflichen Vorgeschichte, ungenauen Schätzungen des Gestationsalters (z. B. aufgrund verspäteter Buchung der Schwangerschaft) und fehlende Angaben zur „Postleitzahl des üblichen Wohnortes“ werden ebenfalls ausgeschlossen. Patienten unter 18 Jahren werden ausgeschlossen.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Modell für maschinelles Lernen zur Vorhersage des Risikos einer Frühgeburt und ungünstiger Geburtsergebnisse
Zeitfenster: 36 Monate
Unser Ziel ist die Entwicklung eines Deep-Learning-Algorithmus zur Vorhersage des Risikos einer Frühgeburt und anderer unerwünschter Schwangerschaftsausgänge unter Verwendung von Daten aus elektronischen Gesundheitsakten und einem raumzeitlichen Modell für die Luftverschmutzung in London. Das Modell berücksichtigt neben herkömmlichen Risikofaktoren auch persönliche Faktoren, Lebensstil und Umweltfaktoren, um den Verlauf der Schwangerschaft vorherzusagen, bei dem die Entbindung am wahrscheinlichsten ist. Dies kann als „reif“, „späte Frühgeburt“, „mäßig früh“, „sehr früh“ und „extrem früh“ klassifiziert werden.
36 Monate

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Modell für maschinelles Lernen zur Vorhersage, wie die Luftqualität das Risiko einer Frühgeburt und ungünstiger Geburtsergebnisse erhöht
Zeitfenster: 42 Monate
Dieses Modell überprüft auch die zeitliche Abfolge von Ereignissen in der Krankengeschichte und der aktuellen Schwangerschaft einer Patientin und identifiziert signifikante Wechselwirkungen. Andere ungünstige Schwangerschaftsergebnisse wie Geburtsgewicht, Zentil des Geburtsgewichts, Präeklampsie, geringes Gestationsalter und Einschränkung des fetalen Wachstums werden ebenfalls untersucht.
42 Monate

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Queen Mary University of London

Mitarbeiter

University College London Hospitals

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

1. November 2024

Primärer Abschluss (Geschätzt)

31. Oktober 2029

Studienabschluss (Geschätzt)

30. November 2029

Studienanmeldedaten

Zuerst eingereicht

26. März 2024

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

26. März 2024

Zuerst gepostet (Tatsächlich)

2. April 2024

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

24. November 2025

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

21. November 2025

Zuletzt verifiziert

1. November 2025

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Zusätzliche relevante MeSH-Bedingungen

Andere Studien-ID-Nummern

  • 331247

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Beschreibung des IPD-Plans

Daten aus der EPIC-Datenbank für elektronische Gesundheitsakten werden an der UCLH anonymisiert, um einen sekundären Datensatz mit anonymisierter Kennung für Patientenkennung, Postleitzahl (Gebiet) und Entbindungsdatum (Monat) zu erstellen. Rohdaten gescreent. Patienten werden nach Kriterien ausgeschlossen.

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Klinische Studien zur Politik

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Japan

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren