Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Inquinamento atmosferico e gravidanza (PTB)

21 novembre 2025 aggiornato da: Queen Mary University of London

Gli effetti dell'inquinamento atmosferico sulla gravidanza e sugli esiti avversi della nascita

Siamo un team interdisciplinare di scienziati britannici con esperienza in ostetricia, salute delle donne e dei bambini, epidemiologia, scienze del clima, infiammazione, modellazione computazionale, apprendimento automatico e intelligenza artificiale. Insieme vantiamo una lunga storia con punti di forza esistenti alla base della ricerca sulla nascita pretermine che attraversa molteplici discipline e un eccellente track record di pubblicazioni e premi che guidano la ricerca sulla nascita pretermine.

Il nostro obiettivo è sviluppare e convalidare un modello di deep learning per prevedere il rischio di parto pretermine e altri esiti avversi della gravidanza utilizzando i dati delle cartelle cliniche elettroniche EPIC presso l’University College London Hospital Trust (UCLH) per una coorte di 18.000 pazienti. Otterremo i dati corrispondenti sull'esposizione all'inquinamento ambientale utilizzando non identificatori per codice postale (area) e data di consegna (mese). Il modello esaminerà la sequenza temporale degli eventi all'interno della storia medica di un paziente e della gravidanza in corso, identificando le interazioni significative e prevederà il rischio di parto pretermine. Determinerà inoltre la soglia e la gestazione alla quale l’esposizione all’inquinamento ha il maggiore impatto.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Descrizione dettagliata

La nascita pretermine è la principale causa di morbilità e mortalità neonatale in tutto il mondo. I bambini nati prematuri presentano tassi più elevati di paralisi cerebrale, deficit sensoriali, difficoltà di apprendimento e malattie respiratorie. Nel Regno Unito ogni anno nascono circa 60.000 bambini prematuri. Ciò equivale a 1 gravidanza su 9 in Inghilterra e i numeri aumentano fino a 1 su 7 gravidanze a Londra. In circa il 40% dei casi, la causa della nascita pretermine è sconosciuta. Gli attuali algoritmi per prevedere la nascita pretermine sono limitati nella loro capacità di identificare le donne a più alto rischio di parto pretermine e non considerano le circostanze genetiche, di stile di vita e ambientali nella loro previsione. Con il rapido sviluppo dell’apprendimento automatico e del deep learning, è ora possibile sviluppare modelli in grado di considerare un numero maggiore di variabili all’interno del loro algoritmo predittivo, per formulare una previsione di rischio specifica per il paziente. Esistono prove crescenti che l’esposizione materna all’inquinamento atmosferico durante la gravidanza è associata ad un aumento del rischio di parto pretermine. L’esposizione all’inquinamento atmosferico può essere associata a scarsa funzione placentare, preeclampsia e scarsa crescita fetale, sebbene vi siano dati limitati su questi esiti avversi della gravidanza, che possono tutti portare a parto pretermine. Al momento, molti dei recenti studi epidemiologici in quest’area mancano di set di dati clinici dettagliati e corrispondenti senza lacune nelle registrazioni elettroniche.

Questo studio mira a:

  1. Collegare i dati sull'esposizione all'inquinamento atmosferico con set di dati clinici altamente dettagliati estratti dalle cartelle cliniche elettroniche dei pazienti dell'University College London Hospital NHS Trust (UCLH)
  2. Sviluppare un modello computazionale in grado di prevedere con precisione la gestazione alla quale una paziente partorirà in settimane e giorni
  3. Utilizzando il modello, identificare i momenti della gravidanza in cui l'inquinamento atmosferico ha il maggiore impatto sugli esiti della gravidanza

Tipo di studio

Osservativo

Iscrizione (Stimato)

200000

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Luoghi di studio

  • Regno Unito
      • London, Regno Unito, E14NS
      • London, Regno Unito, NW1 2PG
        • Reclutamento
        • Anna David
        • Contatto:
        • Contatto:

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

  • Adulto
  • Adulto più anziano

Accetta volontari sani

N/A

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

Il nostro obiettivo è includere i dati delle donne incinte che hanno partorito presso l'UCLH dal 2019, quando è stato lanciato EPIC, e fino alla fine del 2023. Non esiste una fascia di età massima specificata per questo studio. Per migliorare l'inclusività, mireremo a raccogliere informazioni da tutte le donne che prenotano e partoriscono presso l'UCLH per garantire che i gruppi etnici minoritari e i pazienti con deprivazione sociale o con ulteriori disturbi complicanti la gravidanza siano inclusi nel nostro set di dati.

Descrizione

Criterio di inclusione:

  • Il nostro obiettivo è includere i dati delle donne incinte che hanno partorito presso gli ospedali dell'University College di Londra dal 2019 in poi dopo l'inizio della cartella clinica elettronica EPIC. Non esiste una fascia di età specifica per questo studio, in modo da migliorare l'inclusività. Puntiamo inoltre a rappresentare i gruppi etnici minoritari e i pazienti con deprivazione sociale all'interno del nostro set di dati.

Criteri di esclusione:

  • Escluderemo i dati dei pazienti con una durata di follow-up incompleta a causa del trasferimento delle cure prenatali per il parto presso un altro trust. Pazienti con dati anamnestici ostetrici pregressi incompleti, stime imprecise dell'età gestazionale (ad es. per tardiva prenotazione della gravidanza) e verranno esclusi anche i dati mancanti relativi al 'CAP dell'indirizzo abituale'. Saranno esclusi i pazienti di età inferiore a 18 anni.

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Modello di machine learning per prevedere il rischio di parto pretermine e di esiti avversi alla nascita
Lasso di tempo: 36 mesi
Il nostro obiettivo è sviluppare un algoritmo di deep learning per prevedere il rischio di parto pretermine e altri esiti avversi della gravidanza utilizzando i dati delle cartelle cliniche elettroniche e un modello spaziotemporale per i livelli di inquinamento ambientale a Londra. Il modello prenderà in considerazione fattori personali, di stile di vita e ambientali insieme ai tradizionali fattori di rischio per prevedere la gestazione della gravidanza in cui è più probabile che si verifichi il parto. Questo può essere classificato come "pretermine a termine", "pretermine tardivo", "pretermine moderato", "molto pretermine" e "pretermine estremo".
36 mesi

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Modello di apprendimento automatico per prevedere come la qualità dell’aria aumenta il rischio di parto pretermine e di esiti avversi alla nascita
Lasso di tempo: 42 mesi
Questo modello esaminerà anche la sequenza temporale degli eventi all'interno dell'anamnesi medica di una paziente e della gravidanza in corso, identificando le interazioni significative. Verranno studiati anche altri esiti avversi della gravidanza quali peso alla nascita, centile del peso alla nascita, preeclampsia, piccola età gestazionale, ritardo della crescita fetale.
42 mesi

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Queen Mary University of London

Collaboratori

University College London Hospitals

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

1 novembre 2024

Completamento primario (Stimato)

31 ottobre 2029

Completamento dello studio (Stimato)

30 novembre 2029

Date di iscrizione allo studio

Primo inviato

26 marzo 2024

Primo inviato che soddisfa i criteri di controllo qualità

26 marzo 2024

Primo Inserito (Effettivo)

2 aprile 2024

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

24 novembre 2025

Ultimo aggiornamento inviato che soddisfa i criteri QC

21 novembre 2025

Ultimo verificato

1 novembre 2025

Maggiori informazioni

Termini relativi a questo studio

Parole chiave

Termini MeSH pertinenti aggiuntivi

Altri numeri di identificazione dello studio

  • 331247

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

NO

Descrizione del piano IPD

I dati del database delle cartelle cliniche elettroniche EPIC verranno resi anonimi presso l'UCLH per creare un set di dati secondario con identificatore anonimo per identificatore del paziente, codice postale (area) e data di consegna (mese). Dati grezzi sottoposti a screening. Pazienti esclusi secondo criteri.

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .

Prove cliniche su Politica

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in United Arab Emirates

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

Sottoscrivi