Contaminación del aire y embarazo (PTB)
Los efectos de la contaminación del aire en el embarazo y los resultados adversos del parto
Somos un equipo interdisciplinario de científicos del Reino Unido con experiencia en obstetricia, salud de mujeres y niños, epidemiología, ciencia climática, inflamación, modelado computacional, aprendizaje automático e inteligencia artificial. Juntos tenemos una larga historia con fortalezas existentes que subyacen a la investigación sobre partos prematuros que cruza múltiples disciplinas y un excelente historial de publicaciones y premios que lideran la investigación en partos prematuros.
Nuestro objetivo es desarrollar y validar un modelo de aprendizaje profundo para predecir el riesgo de parto prematuro y otros resultados adversos del embarazo utilizando datos de los registros médicos electrónicos EPIC del University College London Hospital Trust (UCLH) para una cohorte de 18.000 pacientes. Obtendremos los datos correspondientes sobre la exposición a la contaminación ambiental utilizando no identificadores para el código postal (área) y la fecha de entrega (mes). El modelo revisará la secuencia temporal de eventos dentro del historial médico de una paciente y el embarazo actual, identificando interacciones significativas y predecirá el riesgo de parto prematuro. También determinará el umbral y la gestación en los que la exposición a la contaminación tiene el mayor impacto.
Descripción general del estudio
Descripción detallada
El nacimiento prematuro es la principal causa de morbilidad y mortalidad neonatal en todo el mundo. Los niños nacidos prematuramente tienen tasas más altas de parálisis cerebral, déficits sensoriales, problemas de aprendizaje y enfermedades respiratorias. En el Reino Unido, aproximadamente 60.000 bebés nacen prematuramente cada año. Esto equivale a 1 de cada 9 embarazos en Inglaterra y las cifras aumentan a 1 de cada 7 embarazos en Londres. En alrededor del 40% de los casos se desconoce la causa del parto prematuro. Los algoritmos actuales para predecir el parto prematuro tienen una capacidad limitada para identificar a las mujeres con mayor riesgo de tener un parto prematuro y no consideran las circunstancias genéticas, de estilo de vida y ambientales en su predicción. Con el rápido desarrollo del aprendizaje automático y el aprendizaje profundo, ahora es posible desarrollar modelos que puedan considerar una mayor cantidad de variables dentro de su algoritmo predictivo, para formular una predicción de riesgo específica para el paciente. Cada vez hay más pruebas de que la exposición materna a la contaminación del aire durante el embarazo se asocia con un mayor riesgo de parto prematuro. La exposición a la contaminación del aire puede estar asociada con una función placentaria deficiente, preeclampsia y crecimiento fetal deficiente, aunque hay datos limitados sobre estos resultados adversos del embarazo, los cuales pueden provocar un parto prematuro. En la actualidad, muchos de los estudios epidemiológicos recientes en esta área carecen de conjuntos de datos clínicos detallados y coincidentes sin lagunas en los registros electrónicos.
Este estudio tiene como objetivo:
- Vincule los datos sobre la exposición a la contaminación del aire con conjuntos de datos clínicos muy detallados extraídos de los registros médicos electrónicos de los pacientes del University College London Hospital NHS Trust (UCLH)
- Desarrollar un modelo computacional que pueda predecir con precisión la gestación en la que una paciente dará a luz en semanas y días.
- Utilizando el modelo, identifique los momentos del embarazo en los que la contaminación del aire tiene el mayor impacto en los resultados del embarazo.
Tipo de estudio
Inscripción (Estimado)
Contactos y Ubicaciones
Ubicaciones de estudio
-
-
-
London, Reino Unido, E14NS
- Reclutamiento
- Tina Chowdhury
-
Contacto:
- Tina Chowdhury
- Número de teléfono: 7560 0207882
- Correo electrónico: t.t.chowdhury@qmul.ac.uk
-
Contacto:
- Rhona Atkins
- Número de teléfono: 7272 0207882
- Correo electrónico: rhona.atkin@nhs.net
-
London, Reino Unido, NW1 2PG
- Reclutamiento
- Anna David
-
Contacto:
- Yaa Acheampong
- Número de teléfono: 6164 020 3447
- Correo electrónico: y.acheampong@nhs.net
-
Contacto:
- Anna David
- Número de teléfono: 9400 0203 447
- Correo electrónico: a.david@nhs.net
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Método de muestreo
Población de estudio
Descripción
Criterios de inclusión:
- Nuestro objetivo es incluir datos de mujeres embarazadas que dieron a luz en los hospitales del University College London a partir de 2019 después del inicio del registro electrónico de pacientes EPIC. No hay un rango de edad especificado para este estudio, a fin de mejorar la inclusión. También pretendemos representar grupos étnicos minoritarios y pacientes con privaciones sociales dentro de nuestro conjunto de datos.
Criterio de exclusión:
- Excluiremos los datos de pacientes con una duración incompleta del seguimiento debido a la transferencia de la atención prenatal para el parto en otro fideicomiso. Pacientes con datos incompletos de antecedentes obstétricos, estimaciones inexactas de la edad gestacional (p. ej. debido a la reserva tardía del embarazo) y también se excluirán los datos faltantes para el "código postal de la dirección habitual". Se excluirán los pacientes menores de 18 años.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Modelo de aprendizaje automático para predecir el riesgo de parto prematuro y resultados adversos del parto
Periodo de tiempo: 36 meses
|
Nuestro objetivo es desarrollar un algoritmo de aprendizaje profundo para predecir el riesgo de parto prematuro y otros resultados adversos del embarazo utilizando datos de registros médicos electrónicos y un modelo espaciotemporal para los niveles de contaminación ambiental dentro de Londres.
El modelo considerará factores personales, de estilo de vida y ambientales junto con los factores de riesgo tradicionales para predecir la gestación del embarazo en la que es más probable que se produzca el parto.
Esto se puede clasificar como "a término", "prematuro tardío", "prematuro moderado", "muy prematuro" y "prematuro extremo".
|
36 meses
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Modelo de aprendizaje automático para predecir cómo la calidad del aire aumenta el riesgo de parto prematuro y resultados adversos en el parto
Periodo de tiempo: 42 meses
|
Este modelo también revisará la secuencia temporal de eventos dentro del historial médico de un paciente y el embarazo actual, identificando interacciones significativas.
Otros resultados adversos del embarazo, como el peso al nacer, el percentil de peso al nacer, la preeclampsia, el tamaño pequeño para la edad gestacional y la restricción del crecimiento fetal también se estudiarán.
|
42 meses
|
Colaboradores e Investigadores
Patrocinador
Colaboradores
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 331247
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .