Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Risk Prediction Models for Adverse Maternal and Neonatal Outcomes in Preeclampsia

2 września 2021 zaktualizowane przez: Solwayo Ngwenya, Mpilo Central Hospital

Statistical Risk Prediction Models for Adverse Maternal and Neonatal Outcomes in Severe Preeclampsia in a Low-resource Setting, Mpilo Central Hospital, Bulawayo, Zimbabwe.

This proposal describes a single centre retrospective cross-sectional study which will address the need to further develop and test statistical risk prediction models for adverse maternal and neonatal outcomes in low-resource settings; this will be the first such research to be carried out in Zimbabwe.

Przegląd badań

Status

Zakończony

Interwencja / Leczenie

Szczegółowy opis

Hypertensive disorders in pregnancy are a leading cause of maternal and perinatal morbidity and mortality, especially in low-resource settings. Identifying mothers and babies at greatest risk of complications would enable intervention to be targeted to those most likely to benefit from them. However, current risk prediction models have a wide range of sensitivity (42-81%) and specificity (87-92%) indicating that improvements are needed. Furthermore, no predictive models have been developed or evaluated in Zimbabwe.

This proposal describes a single centre retrospective cross-sectional study which will address the need to further develop and test statistical risk prediction models for adverse maternal and neonatal outcomes in low-resource settings; this will be the first such research to be carried out in Zimbabwe.

Data will be collected on maternal demographics characteristics, outcome of prior pregnancies, past medical history, symptoms and signs on admission, results of biochemical and haematological investigations. Adverse outcome will be defined as a composite of maternal morbidity and mortality and perinatal morbidity and mortality. Association between variables and outcomes will be explored using multivariable logistic regression.

Critically, new risk prediction models introduced for our clinical setting may reduce avoidable maternal and neonatal morbidity and mortality at local, national, regional and international level.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

549

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

    • Matabeleland
      • Bulawayo, Matabeleland, Zimbabwe, +263
        • Mpilo Central Hospital

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

14 lat i starsze (Dziecko, Dorosły, Starszy dorosły)

Akceptuje zdrowych ochotników

Nie

Płeć kwalifikująca się do nauki

Kobieta

Metoda próbkowania

Próbka prawdopodobieństwa

Badana populacja

Cross-sectional all pregnant women with severe preeclampsia

Opis

Inclusion Criteria:

  • Participants will be included in the study if they have a diagnosis of severe preeclampsia.
  • Severe preeclampsia will be defined as high blood pressure (systolic blood pressure (SBP) ≥160, diastolic blood pressure(DBP) ≥110mmHg) and or either severe headaches, epigastric pains and deranged biochemical/haematological blood indices.
  • Both singleton and twin/higher order pregnancies will be included.

Exclusion Criteria:

-Women with mild or moderate preeclampsia or less than 20 weeks' of gestation and those with epilepsy will be excluded from the study.

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

  • Modele obserwacyjne: Inny
  • Perspektywy czasowe: Z mocą wsteczną

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Maternal death
Ramy czasowe: 3 years
Binary outcomes
3 years

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Śledczy

  • Główny śledczy: SOLWAYO NGWENYA, PhD, FRCOG, Mpilo Central Hospital

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

12 listopada 2018

Zakończenie podstawowe (Rzeczywisty)

31 sierpnia 2021

Ukończenie studiów (Rzeczywisty)

31 sierpnia 2021

Daty rejestracji na studia

Pierwszy przesłany

6 sierpnia 2019

Pierwszy przesłany, który spełnia kryteria kontroli jakości

14 sierpnia 2019

Pierwszy wysłany (Rzeczywisty)

15 sierpnia 2019

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

10 września 2021

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

2 września 2021

Ostatnia weryfikacja

1 września 2021

Więcej informacji

Terminy związane z tym badaniem

Inne numery identyfikacyjne badania

  • MpiloCH

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

Niezdecydowany

Opis planu IPD

Currently the data is under a university

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .

Badania kliniczne na Observational

Subskrybuj