Pollution atmosphérique et grossesse (PTB)
Les effets de la pollution atmosphérique sur la grossesse et les conséquences indésirables de la naissance
Nous sommes une équipe interdisciplinaire de scientifiques britanniques possédant une expertise en obstétrique, en santé des femmes et des enfants, en épidémiologie, en climatologie, en inflammation, en modélisation informatique, en apprentissage automatique et en intelligence artificielle. Ensemble, nous avons une longue histoire avec des atouts sous-jacents à la recherche sur la naissance prématurée qui traverse plusieurs disciplines et un excellent historique de publications et de récompenses à la pointe de la recherche sur la naissance prématurée.
Nous visons à développer et valider un modèle d'apprentissage profond pour prédire le risque d'accouchement prématuré et d'autres issues indésirables de la grossesse en utilisant les données des dossiers de santé électroniques EPIC de l'University College London Hospital Trust (UCLH) pour une cohorte de 18 000 patients. Nous obtiendrons les données correspondantes sur l'exposition à la pollution ambiante à l'aide de non-identifiants pour le code postal (zone) et la date de livraison (mois). Le modèle examinera la séquence temporelle des événements au sein des antécédents médicaux d'une patiente et de sa grossesse en cours, identifiant les interactions significatives et prédit le risque d'accouchement prématuré. Il déterminera également le seuil et la gestation auxquels l’exposition à la pollution a le plus grand impact.
Aperçu de l'étude
Description détaillée
La naissance prématurée est la principale cause de morbidité et de mortalité néonatales dans le monde. Les enfants nés prématurément présentent des taux plus élevés de paralysie cérébrale, de déficits sensoriels, de troubles d’apprentissage et de maladies respiratoires. Au Royaume-Uni, environ 60 000 bébés naissent prématurément chaque année. Cela équivaut à 1 grossesse sur 9 en Angleterre et ce chiffre augmente à 1 grossesse sur 7 à Londres. Dans environ 40 % des cas, la cause de l’accouchement prématuré est inconnue. Les algorithmes actuels permettant de prédire les naissances prématurées sont limités dans leur capacité à identifier les femmes les plus à risque d'accoucher prématurément et ne tiennent pas compte des circonstances génétiques, du mode de vie et de l'environnement dans leur prédiction. Avec le développement rapide de l’apprentissage automatique et de l’apprentissage profond, il est désormais possible de développer des modèles capables de prendre en compte un plus grand nombre de variables au sein de leur algorithme prédictif, afin de formuler une prédiction du risque spécifique au patient. Il existe de plus en plus de preuves selon lesquelles l’exposition maternelle à la pollution de l’air pendant la grossesse est associée à un risque accru d’accouchement prématuré. L'exposition à la pollution de l'air peut être associée à une mauvaise fonction placentaire, à une pré-éclampsie et à une mauvaise croissance fœtale, bien qu'il existe peu de données sur ces issues défavorables de la grossesse, qui peuvent toutes conduire à un accouchement prématuré. À l’heure actuelle, bon nombre des études épidémiologiques récentes dans ce domaine manquent d’ensembles de données cliniques détaillées et correspondantes, sans lacunes dans les enregistrements électroniques.
Cette étude vise à :
- Reliez les données sur l'exposition à la pollution atmosphérique avec des ensembles de données cliniques très détaillées extraites des dossiers de santé électroniques des patients de l'University College London Hospital NHS Trust (UCLH)
- Développer un modèle informatique capable de prédire avec précision la gestation à laquelle une patiente accouchera en semaines et en jours
- À l'aide du modèle, identifiez les moments de la grossesse pendant lesquels la pollution de l'air a le plus grand impact sur l'issue de la grossesse.
Type d'étude
Inscription (Estimé)
Contacts et emplacements
Lieux d'étude
-
-
-
London, Royaume-Uni, E14NS
- Recrutement
- Tina Chowdhury
-
Contact:
- Tina Chowdhury
- Numéro de téléphone: 7560 0207882
- E-mail: t.t.chowdhury@qmul.ac.uk
-
Contact:
- Rhona Atkins
- Numéro de téléphone: 7272 0207882
- E-mail: rhona.atkin@nhs.net
-
London, Royaume-Uni, NW1 2PG
- Recrutement
- Anna David
-
Contact:
- Yaa Acheampong
- Numéro de téléphone: 6164 020 3447
- E-mail: y.acheampong@nhs.net
-
Contact:
- Anna David
- Numéro de téléphone: 9400 0203 447
- E-mail: a.david@nhs.net
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
Méthode d'échantillonnage
Population étudiée
La description
Critère d'intégration:
- Notre objectif est d'inclure les données des femmes enceintes qui ont accouché dans les hôpitaux de l'University College London à partir de 2019 après le début du dossier électronique du patient EPIC. Il n'y a pas de tranche d'âge spécifiée pour cette étude, afin d'améliorer l'inclusivité. Nous visons également à représenter les groupes ethniques minoritaires et les patients en situation de défavorisation sociale au sein de notre ensemble de données.
Critère d'exclusion:
- Nous exclurons les données des patientes dont la durée de suivi est incomplète en raison du transfert des soins prénatals pour un accouchement dans une autre fiducie. Les patientes avec des données incomplètes sur leurs antécédents obstétricaux, des estimations inexactes de l'âge gestationnel (par ex. en raison d'une réservation tardive de la grossesse) et les données manquantes pour le « code postal de l'adresse habituelle » seront également exclues. Les patients de moins de 18 ans seront exclus.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Modèle d'apprentissage automatique pour prédire le risque d'accouchement prématuré et les issues défavorables à la naissance
Délai: 36 mois
|
Nous visons à développer un algorithme d'apprentissage en profondeur pour prédire le risque d'accouchement prématuré et d'autres issues défavorables de la grossesse en utilisant les données des dossiers de santé électroniques et un modèle spatio-temporel des niveaux de pollution ambiante à Londres.
Le modèle prendra en compte les facteurs personnels, de style de vie et environnementaux ainsi que les facteurs de risque traditionnels pour prédire le moment de la grossesse où l'accouchement est le plus susceptible de se produire.
Cela peut être classé comme « à terme », « peu avant terme », « modérément prématuré », « très prématuré » et « extrêmement prématuré ».
|
36 mois
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Modèle d'apprentissage automatique pour prédire comment la qualité de l'air augmente le risque d'accouchement prématuré et d'issues défavorables à l'accouchement
Délai: 42 mois
|
Ce modèle examinera également la séquence temporelle des événements au sein des antécédents médicaux d'une patiente et de sa grossesse en cours, identifiant les interactions significatives.
D'autres issues défavorables de la grossesse telles que le poids à la naissance, le centile du poids à la naissance, la pré-éclampsie, la petite taille pour l'âge gestationnel, le retard de croissance fœtale seront également étudiés.
|
42 mois
|
Collaborateurs et enquêteurs
Parrainer
Collaborateurs
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Estimé)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Mots clés
Termes MeSH pertinents supplémentaires
Autres numéros d'identification d'étude
- 331247
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .
Essais cliniques sur Politique
-
Columbia UniversityNational Institute of Nursing Research (NINR); Florida State University; RTI... et autres collaborateursRecrutementVIH | Discrimination, raciale | Stigmatisation | RacismeÉtats-Unis