Luftföroreningar och graviditet (PTB)
Effekterna av luftföroreningar på graviditet och negativa födelseresultat
Vi är ett tvärvetenskapligt team av brittiska forskare med expertis inom obstetrik, kvinnors och barns hälsa, epidemiologi, klimatvetenskap, inflammation, beräkningsmodellering, maskininlärning och artificiell intelligens. Tillsammans har vi en lång historia med befintliga styrkor som ligger till grund för forskning om för tidig födsel som korsar flera discipliner och en utmärkt meritlista av publikationer och utmärkelser ledande forskning inom för tidig födsel.
Vi strävar efter att utveckla och validera en modell för djupinlärning för att förutsäga risken för för tidig födsel och andra negativa graviditetsresultat med hjälp av data från EPIC elektroniska journaler vid University College London Hospital Trust (UCLH) för en kohort på 18 000 patienter. Vi kommer att erhålla motsvarande data om exponering för miljöföroreningar med hjälp av icke-identifierare för postnummer (område) och leveransdatum (månad). Modellen kommer att granska det tidsmässiga händelseförloppet inom en patients medicinska historia och nuvarande graviditet, identifiera betydande interaktioner och kommer att förutsäga risken för för tidig födsel. Det kommer också att bestämma tröskeln och dräktigheten vid vilken föroreningsexponering har störst påverkan.
Studieöversikt
Detaljerad beskrivning
För tidig födsel är den vanligaste orsaken till neonatal sjuklighet och dödlighet över hela världen. Barn som föds för tidigt har högre frekvens av cerebral pares, sensoriska brister, inlärningssvårigheter och andningssjukdomar. I Storbritannien föds cirka 60 000 barn för tidigt varje år. Detta motsvarar 1 av 9 graviditeter i England och siffrorna ökar till 1 av 7 graviditeter i London. I cirka 40 % av fallen är orsaken till för tidig födsel okänd. Nuvarande algoritmer för att förutsäga för tidig födsel är begränsade i sin förmåga att identifiera kvinnor med högsta risk att förlossa för tidigt och tar inte hänsyn till genetiska, livsstils- och miljöförhållanden i deras förutsägelse. Med den snabba utvecklingen av maskininlärning och djupinlärning är det nu möjligt att utveckla modeller som kan ta hänsyn till ett större antal variabler inom deras prediktiva algoritm, för att formulera en patientspecifik förutsägelse av risk. Det finns växande bevis för att moderns exponering för luftföroreningar under graviditeten är förknippad med en ökad risk för för tidig födsel. Exponering för luftföroreningar kan vara förknippad med dålig moderkakafunktion, havandeskapsförgiftning och dålig fostertillväxt även om det finns begränsade data om dessa negativa graviditetsresultat, som alla kan leda till för tidig födsel. För närvarande saknar många av de senaste epidemiologiska studierna på detta område detaljerade och matchande kliniska datauppsättningar utan luckor i elektroniska register.
Denna studie syftar till att:
- Länka data om exponering för luftföroreningar med mycket detaljerade kliniska datauppsättningar extraherade från patientjournaler från University College London Hospital NHS Trust (UCLH)
- Utveckla en beräkningsmodell som exakt kan förutsäga graviditeten vid vilken en patient kommer att förlossa i veckor och dagar
- Använd modellen för att identifiera de tidpunkter under graviditeten då luftföroreningar har störst inverkan på graviditetsresultaten
Studietyp
Inskrivning (Beräknad)
Kontakter och platser
Studieorter
-
-
-
London, Storbritannien, E14NS
- Rekrytering
- Tina Chowdhury
-
Kontakt:
- Tina Chowdhury
- Telefonnummer: 7560 0207882
- E-post: t.t.chowdhury@qmul.ac.uk
-
Kontakt:
- Rhona Atkins
- Telefonnummer: 7272 0207882
- E-post: rhona.atkin@nhs.net
-
London, Storbritannien, NW1 2PG
- Rekrytering
- Anna David
-
Kontakt:
- Yaa Acheampong
- Telefonnummer: 6164 020 3447
- E-post: y.acheampong@nhs.net
-
Kontakt:
- Anna David
- Telefonnummer: 9400 0203 447
- E-post: a.david@nhs.net
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- Vi strävar efter att inkludera data från gravida kvinnor som förlossade vid University College London Hospitals från 2019 och framåt efter starten av den elektroniska patientjournalen EPIC. Det finns inget specificerat åldersintervall för denna studie, för att förbättra inklusiviteten. Vi strävar också efter att representera etniska minoritetsgrupper och patienter med social deprivation inom vår datauppsättning.
Exklusions kriterier:
- Vi kommer att exkludera data från patienter med ofullständig uppföljningslängd på grund av överföring av mödravård för förlossning på ett annat förtroende. Patienter med ofullständig tidigare obstetrisk historia, felaktiga uppskattningar av graviditetsålder (t.ex. på grund av sen bokning av graviditeten) och saknade data för 'postnummer med vanlig adress' kommer också att exkluderas. Patienter som är yngre än 18 år kommer att exkluderas.
Studieplan
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Maskininlärningsmodell för att förutsäga risken för för tidig födsel och ogynnsamma födelseresultat
Tidsram: 36 månader
|
Vi strävar efter att utveckla en djupinlärningsalgoritm för att förutsäga risken för för tidig födsel och andra negativa graviditetsresultat med hjälp av data från elektroniska hälsojournaler och en rumslig modell för miljöföroreningsnivåer i London.
Modellen kommer att överväga personliga, livsstils- och miljöfaktorer tillsammans med traditionella riskfaktorer för att förutsäga graviditeten som mest sannolikt kommer att ske.
Detta kan klassificeras som "term", "sen prematur", "moderat prematur", "mycket prematur" och "extrem prematur".
|
36 månader
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Maskininlärningsmodell för att förutsäga hur luftkvaliteten ökar risken för för tidig födsel och ogynnsamma födelseresultat
Tidsram: 42 månader
|
Denna modell kommer också att granska den tidsmässiga händelseförloppet inom en patients medicinska historia och nuvarande graviditet, och identifiera betydande interaktioner.
Andra negativa graviditetsutfall såsom födelsevikt, födelseviktscentil, havandeskapsförgiftning, liten för graviditetsåldern, fostertillväxtbegränsning kommer också att studeras.
|
42 månader
|
Samarbetspartners och utredare
Sponsor
Samarbetspartners
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Ytterligare relevanta MeSH-villkor
Andra studie-ID-nummer
- 331247
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .