此页面是自动翻译的，不保证翻译的准确性。请参阅英文版对于源文本。

空气污染与怀孕 (PTB)

2025年11月21日更新者：Queen Mary University of London

空气污染对怀孕和不良分娩结果的影响

我们是一支由英国科学家组成的跨学科团队，拥有产科、妇女和儿童健康、流行病学、气候科学、炎症、计算模型、机器学习和人工智能方面的专业知识。我们共同拥有悠久的历史和跨多个学科的早产研究的现有优势，并在早产方面的领先研究发表和奖励方面拥有出色的记录。

我们的目标是开发和验证深度学习模型，以使用伦敦大学学院医院信托基金 (UCLH) 的 EPIC 电子健康记录数据来预测早产和其他不良妊娠结局的风险，该数据包含 18000 名患者。我们将使用邮政编码（地区）和交货日期（月份）的非标识符来获取有关环境污染暴露的相应数据。该模型将审查患者病史和当前怀孕期间事件的时间顺序，识别显着的相互作用，并预测早产风险。它还将确定污染暴露影响最大的阈值和妊娠期。

研究概览

地位

招聘中

条件

早产

干预/治疗

其他：政策

详细说明

早产是全世界新生儿发病和死亡的主要原因。早产儿患脑瘫、感觉障碍、学习障碍和呼吸系统疾病的几率较高。在英国，每年大约有 60,000 名婴儿早产。这相当于英格兰每 9 次怀孕就有 1 次怀孕，而伦敦这一数字则增至每 7 次怀孕就有 1 次。大约 40% 的早产病例的原因不明。目前预测早产的算法在识别早产风险最高的女性方面能力有限，并且在预测中没有考虑遗传、生活方式和环境条件。随着机器学习和深度学习的快速发展，现在可以开发出可以在预测算法中考虑更多变量的模型，以制定针对患者的风险预测。越来越多的证据表明，母亲在怀孕期间接触空气污染与早产风险增加有关。暴露于空气污染可能与胎盘功能不良、先兆子痫和胎儿生长不良有关，尽管有关这些不良妊娠结局的数据有限，所有这些都可能导致早产。目前，该领域的许多最新流行病学研究缺乏详细且匹配的、没有电子记录空白的临床数据集。

本研究的目的是：

将空气污染暴露数据与从伦敦大学学院医院 NHS 信托基金 (UCLH) 的患者电子健康记录中提取的高度详细的临床数据集关联起来
开发一个计算模型，可以准确预测患者在几周和几天内分娩的妊娠时间
使用该模型确定怀孕期间空气污染对妊娠结局影响最大的时间点

研究类型

观察性的

注册 (估计的)

200000

联系人和位置

本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。

学习地点

英国
- - London、英国、E14NS
    - 招聘中
    - Tina Chowdhury
    - 接触：
      
      Tina Chowdhury
      
      电话号码：7560 0207882
      
      邮箱：t.t.chowdhury@qmul.ac.uk
    - 接触：
      
      Rhona Atkins
      
      电话号码：7272 0207882
      
      邮箱：rhona.atkin@nhs.net
  - London、英国、NW1 2PG
    - 招聘中
    - Anna David
    - 接触：
      
      Yaa Acheampong
      
      电话号码：6164 020 3447
      
      邮箱：y.acheampong@nhs.net
    - 接触：
      
      Anna David
      
      电话号码：9400 0203 447
      
      邮箱：a.david@nhs.net

参与标准

研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

成人
年长者

接受健康志愿者

不适用

取样方法

非概率样本

研究人群

我们的目标是纳入从 2019 年 EPIC 启动时到 2023 年底在 UCLH 分娩的孕妇的数据。本研究没有指定年龄上限。为了提高包容性，我们的目标是收集在 UCLH 预约和分娩的所有女性的信息，以确保少数族裔群体和患有社会剥夺或患有其他妊娠并发症的患者都包含在我们的数据集中。

描述

纳入标准：

我们的目标是纳入自 2019 年 EPIC 电子病历启动后在伦敦大学学院医院分娩的孕妇的数据。本研究没有明确年龄范围，以提高包容性。我们还旨在代表我们数据集中的少数族裔群体和社会剥夺患者。

排除标准：

我们将排除由于产前护理转移到另一个信托机构分娩而导致随访时间不完整的患者的数据。既往产科数据不完整、孕龄估计不准确的患者（例如孕龄）由于怀孕预订较晚）以及“常用地址的邮政编码”的缺失数据也将被排除。 18岁以下的患者将被排除在外。

学习计划

本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。

研究是如何设计的？

设计细节

研究衡量的是什么？

主要结果指标

结果测量	措施说明	大体时间
机器学习模型预测早产和不良分娩结果的风险大体时间：36个月	我们的目标是开发一种深度学习算法，利用电子健康记录中的数据和伦敦环境污染水平的时空模型来预测早产和其他不良妊娠结局的风险。该模型将考虑个人、生活方式和环境因素以及传统风险因素，以预测最有可能发生分娩的妊娠期。这可以分为“足月”、“晚期早产”、“中度早产”、“非常早产”和“极度早产”。	36个月

次要结果测量

结果测量	措施说明	大体时间
机器学习模型可预测空气质量如何增加早产和不良分娩结果的风险大体时间：42个月	该模型还将审查患者病史和当前怀孕期间事件的时间顺序，识别重要的相互作用。其他不良妊娠结局，如出生体重、出生体重百分位数、先兆子痫、小于胎龄、胎儿生长受限也将被研究。	42个月

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

赞助

Queen Mary University of London

合作者

University College London Hospitals

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2024年11月1日

初级完成 (估计的)

2029年10月31日

研究完成 (估计的)

2029年11月30日

研究注册日期

首次提交

2024年3月26日

首先提交符合 QC 标准的

2024年3月26日

首次发布 (实际的)

2024年4月2日

研究记录更新

最后更新发布 (实际的)

2025年11月24日

上次提交的符合 QC 标准的更新

2025年11月21日

最后验证

2025年11月1日