Luchtvervuiling en zwangerschap (PTB)
De effecten van luchtvervuiling op de zwangerschap en nadelige geboorteresultaten
Wij zijn een interdisciplinair team van Britse wetenschappers met expertise op het gebied van verloskunde, de gezondheid van vrouwen en kinderen, epidemiologie, klimaatwetenschap, ontstekingen, computationele modellering, machinaal leren en kunstmatige intelligentie. Samen hebben we een lange geschiedenis met bestaande sterke punten die ten grondslag liggen aan onderzoek naar vroeggeboorte dat meerdere disciplines doorkruist, en een uitstekend trackrecord van publicaties en prijzen voor toonaangevend onderzoek op het gebied van vroeggeboorte.
We streven ernaar een diepgaand leermodel te ontwikkelen en te valideren om het risico op vroeggeboorte en andere ongunstige zwangerschapsuitkomsten te voorspellen met behulp van gegevens uit EPIC elektronische medische dossiers van de University College London Hospital Trust (UCLH) voor een cohort van 18.000 patiënten. Wij verkrijgen overeenkomstige gegevens over de blootstelling aan omgevingsvervuiling met behulp van niet-identificatoren voor postcode (gebied) en leveringsdatum (maand). Het model zal de temporele opeenvolging van gebeurtenissen binnen de medische geschiedenis van een patiënt en de huidige zwangerschap beoordelen, significante interacties identificeren en het risico op vroeggeboorte voorspellen. Het zal ook de drempel en de zwangerschapsduur bepalen waarbij blootstelling aan vervuiling de grootste impact heeft.
Studie Overzicht
Gedetailleerde beschrijving
Vroeggeboorte is wereldwijd de belangrijkste oorzaak van neonatale morbiditeit en mortaliteit. Kinderen die te vroeg geboren worden, hebben vaker last van hersenverlamming, sensorische stoornissen, leerproblemen en aandoeningen van de luchtwegen. In Groot-Brittannië worden jaarlijks ongeveer 60.000 baby’s te vroeg geboren. Dit komt overeen met 1 op de 9 zwangerschappen in Engeland en de aantallen stijgen tot 1 op de 7 zwangerschappen in Londen. In ongeveer 40% van de gevallen is de oorzaak van vroeggeboorte onbekend. De huidige algoritmen om vroeggeboorte te voorspellen zijn beperkt in hun vermogen om vrouwen te identificeren die het grootste risico lopen om vroeggeboorte te krijgen, en houden bij hun voorspelling geen rekening met genetische, levensstijl- en omgevingsfactoren. Met de snelle ontwikkeling van machine learning en deep learning is het nu mogelijk om modellen te ontwikkelen die binnen hun voorspellende algoritme een groter aantal variabelen in overweging kunnen nemen, om zo een patiëntspecifieke risicovoorspelling te formuleren. Er zijn steeds meer aanwijzingen dat blootstelling van moeders aan luchtvervuiling tijdens de zwangerschap in verband wordt gebracht met een verhoogd risico op vroeggeboorte. Blootstelling aan luchtvervuiling kan in verband worden gebracht met een slechte werking van de placenta, pre-eclampsie en een slechte groei van de foetus, hoewel er beperkte gegevens zijn over deze ongunstige zwangerschapsuitkomsten, die allemaal kunnen leiden tot vroeggeboorte. Op dit moment ontberen veel van de recente epidemiologische onderzoeken op dit gebied gedetailleerde en overeenkomende klinische datasets zonder hiaten in elektronische dossiers.
Deze studie heeft tot doel:
- Koppel gegevens over blootstelling aan luchtverontreiniging aan zeer gedetailleerde klinische datasets uit elektronische patiëntendossiers van de University College London Hospital NHS Trust (UCLH)
- Ontwikkel een computermodel dat nauwkeurig kan voorspellen bij welke zwangerschap een patiënt over weken en dagen zal bevallen
- Identificeer met behulp van het model de tijdstippen tijdens de zwangerschap waarop luchtvervuiling de grootste impact heeft op de zwangerschapsuitkomsten
Studietype
Inschrijving (Geschat)
Contacten en locaties
Studie Locaties
-
-
-
London, Verenigd Koninkrijk, E14NS
- Werving
- Tina Chowdhury
-
Contact:
- Tina Chowdhury
- Telefoonnummer: 7560 0207882
- E-mail: t.t.chowdhury@qmul.ac.uk
-
Contact:
- Rhona Atkins
- Telefoonnummer: 7272 0207882
- E-mail: rhona.atkin@nhs.net
-
London, Verenigd Koninkrijk, NW1 2PG
- Werving
- Anna David
-
Contact:
- Yaa Acheampong
- Telefoonnummer: 6164 020 3447
- E-mail: y.acheampong@nhs.net
-
Contact:
- Anna David
- Telefoonnummer: 9400 0203 447
- E-mail: a.david@nhs.net
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- We streven ernaar om gegevens op te nemen van zwangere vrouwen die vanaf 2019 in de ziekenhuizen van University College London zijn bevallen na de start van het EPIC elektronische patiëntendossier. Er is geen gespecificeerde leeftijdscategorie voor dit onderzoek, om de inclusiviteit te verbeteren. We streven er ook naar om etnische minderheidsgroepen en patiënten met sociale deprivatie binnen onze dataset te vertegenwoordigen.
Uitsluitingscriteria:
- We sluiten gegevens uit van patiënten met een onvolledige follow-upduur vanwege overdracht van prenatale zorg voor bevalling bij een andere trust. Patiënten met onvolledige gegevens over de verloskundige voorgeschiedenis, onnauwkeurige schattingen van de zwangerschapsduur (bijv. vanwege te laat boeken van de zwangerschap) en ontbrekende gegevens voor ‘postcode gebruikelijk adres’ worden eveneens uitgesloten. Patiënten jonger dan 18 jaar worden uitgesloten.
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Machine learning-model om het risico op vroeggeboorte en ongunstige geboorte-uitkomsten te voorspellen
Tijdsspanne: 36 maanden
|
We streven ernaar een diepgaand leeralgoritme te ontwikkelen om het risico op vroeggeboorte en andere ongunstige zwangerschapsuitkomsten te voorspellen met behulp van gegevens uit elektronische medische dossiers en een spatiotemporeel model voor de niveaus van luchtvervuiling in Londen.
Het model zal naast traditionele risicofactoren ook rekening houden met persoonlijke, levensstijl- en omgevingsfactoren om de zwangerschapsduur en de bevalling te voorspellen.
Dit kan worden geclassificeerd als 'voldragen', 'laat prematuren', 'matig prematuren', 'zeer prematuren' en 'extreem prematuren'.
|
36 maanden
|
Secundaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Machine learning-model om te voorspellen hoe de luchtkwaliteit het risico op vroeggeboorte en ongunstige geboorte-uitkomsten verhoogt
Tijdsspanne: 42 maanden
|
Dit model zal ook de temporele opeenvolging van gebeurtenissen binnen de medische geschiedenis van een patiënt en de huidige zwangerschap beoordelen, waarbij significante interacties worden geïdentificeerd.
Andere ongunstige zwangerschapsuitkomsten zoals geboortegewicht, geboortegewichtcentiel, pre-eclampsie, klein voor de zwangerschapsduur en foetale groeivertraging zullen ook worden bestudeerd.
|
42 maanden
|
Medewerkers en onderzoekers
Sponsor
Medewerkers
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Geschat)
Studie voltooiing (Geschat)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Aanvullende relevante MeSH-voorwaarden
Andere studie-ID-nummers
- 331247
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Beschrijving IPD-plan
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .