Luftforurensning og graviditet (PTB)
Effektene av luftforurensning på graviditet og uønskede fødselsresultater
Vi er et tverrfaglig team av britiske forskere med ekspertise innen obstetrikk, kvinne- og barnehelse, epidemiologi, klimavitenskap, inflammasjon, beregningsmodellering, maskinlæring og kunstig intelligens. Sammen har vi en lang historie med eksisterende styrker som ligger til grunn for tidlig fødselsforskning som krysser flere disipliner og en utmerket merittliste med publikasjoner og priser ledende forskning innen prematur fødsel.
Vi tar sikte på å utvikle og validere en dyp læringsmodell for å forutsi risikoen for prematur fødsel og andre ugunstige graviditetsutfall ved å bruke data fra EPIC elektroniske helsejournaler ved University College London Hospital Trust (UCLH) for en kohort på 18000 pasienter. Vi vil innhente tilsvarende data om eksponering for omgivelsesforurensning ved bruk av ikke-identifikatorer for postnummer (område) og leveringsdato (måned). Modellen vil gjennomgå den tidsmessige sekvensen av hendelser innenfor en pasients sykehistorie og nåværende graviditet, identifisere signifikante interaksjoner og vil forutsi risikoen for prematur fødsel. Det vil også bestemme terskelen og svangerskapet der forurensningseksponering har størst innvirkning.
Studieoversikt
Detaljert beskrivelse
Prematur fødsel er den ledende årsaken til neonatal sykelighet og dødelighet over hele verden. Barn født for tidlig har høyere forekomst av cerebral parese, sensoriske mangler, lærevansker og luftveissykdommer. I Storbritannia blir omtrent 60 000 babyer født for tidlig hvert år. Dette tilsvarer 1 av 9 svangerskap i England og tallene øker til 1 av 7 svangerskap i London. I rundt 40 % av tilfellene er årsaken til for tidlig fødsel ukjent. Nåværende algoritmer for å forutsi prematur fødsel er begrenset i deres evne til å identifisere kvinner med høyest risiko for å føde prematurt og tar ikke hensyn til genetiske, livsstils- og miljømessige forhold innenfor deres prediksjon. Med den raske utviklingen av maskinlæring og dyp læring er det nå mulig å utvikle modeller som kan vurdere et høyere antall variabler innenfor deres prediktive algoritme, for å formulere en pasientspesifikk prediksjon av risiko. Det er økende bevis på at mødres eksponering for luftforurensning under svangerskapet er assosiert med økt risiko for prematur fødsel. Eksponering for luftforurensning kan være assosiert med dårlig morkakefunksjon, svangerskapsforgiftning og dårlig fostervekst, selv om det er begrensede data om disse ugunstige graviditetsutfallene, som alle kan føre til for tidlig fødsel. For tiden mangler mange av de nyere epidemiologiske studiene på dette området detaljerte og samsvarende kliniske datasett uten hull i elektroniske journaler.
Denne studien har som mål å:
- Koble data om eksponering for luftforurensning med svært detaljerte kliniske datasett hentet fra pasientens elektroniske helsejournaler fra University College London Hospital NHS Trust (UCLH)
- Utvikle en beregningsmodell som nøyaktig kan forutsi svangerskapet der en pasient vil føde i uker og dager
- Bruk modellen, identifiser tidspunktene i svangerskapet da luftforurensning har størst innvirkning på svangerskapsutfall
Studietype
Registrering (Antatt)
Kontakter og plasseringer
Studiesteder
-
-
-
London, Storbritannia, E14NS
- Rekruttering
- Tina Chowdhury
-
Ta kontakt med:
- Tina Chowdhury
- Telefonnummer: 7560 0207882
- E-post: t.t.chowdhury@qmul.ac.uk
-
Ta kontakt med:
- Rhona Atkins
- Telefonnummer: 7272 0207882
- E-post: rhona.atkin@nhs.net
-
London, Storbritannia, NW1 2PG
- Rekruttering
- Anna David
-
Ta kontakt med:
- Yaa Acheampong
- Telefonnummer: 6164 020 3447
- E-post: y.acheampong@nhs.net
-
Ta kontakt med:
- Anna David
- Telefonnummer: 9400 0203 447
- E-post: a.david@nhs.net
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- Vi tar sikte på å inkludere data fra gravide kvinner som har født ved University College London Hospitals fra 2019 og utover etter starten av den elektroniske pasientjournalen EPIC. Det er ingen spesifisert aldersgruppe for denne studien, for å forbedre inklusiviteten. Vi har også som mål å representere etniske minoritetsgrupper og pasienter med sosial deprivasjon i datasettet vårt.
Ekskluderingskriterier:
- Vi vil ekskludere data fra pasienter med ufullstendig varighet av oppfølging på grunn av overføring av svangerskapsomsorg for levering hos en annen stiftelse. Pasienter med ufullstendige tidligere obstetriske historiedata, unøyaktige estimater av svangerskapsalder (f.eks. på grunn av sen bestilling av graviditeten) og manglende data for 'postnummer med vanlig adresse' vil også bli ekskludert. Pasienter som er under 18 år vil bli ekskludert.
Studieplan
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Maskinlæringsmodell for å forutsi risikoen for prematur fødsel og uønskede fødselsutfall
Tidsramme: 36 måneder
|
Vi tar sikte på å utvikle en dyp læringsalgoritme for å forutsi risikoen for prematur fødsel og andre uønskede graviditetsutfall ved å bruke data fra elektroniske helsejournaler og en spatiotemporal modell for omgivelsesforurensningsnivåer i London.
Modellen vil vurdere personlige, livsstils- og miljøfaktorer sammen med tradisjonelle risikofaktorer for å forutsi svangerskapets svangerskap som mest sannsynlig vil skje.
Dette kan klassifiseres som 'termin', 'sen prematur', 'moderat prematurt', 'veldig prematurt' og 'ekstrem prematurt'.
|
36 måneder
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Maskinlæringsmodell for å forutsi hvordan luftkvalitet øker risikoen for prematur fødsel og uønskede fødselsutfall
Tidsramme: 42 måneder
|
Denne modellen vil også gjennomgå den tidsmessige sekvensen av hendelser innenfor en pasients sykehistorie og nåværende graviditet, og identifisere betydelige interaksjoner.
Andre ugunstige graviditetsutfall som fødselsvekt, fødselsvektcentil, svangerskapsforgiftning, liten for svangerskapsalderen, fostervekstbegrensning vil også bli studert.
|
42 måneder
|
Samarbeidspartnere og etterforskere
Sponsor
Samarbeidspartnere
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- 331247
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
IPD-planbeskrivelse
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .