System disruptions
There are recurring service disruptions on some of the search portals due to high traffic. We are working to resolve the issue, you may temporarily encounter an error message.
EnglishSvenskaNorsk
Change search
ExportLink to record
Permanent link

Direct link
BETA

Project

Project type/Form of grant
Grant for employment or scholarship
Title [sv]
Tarmhjärnaxeln kring graviditet: illamående, ångest och depression
Title [en]
The gut-brain axis in the perinatal period: nausea, anxiety and depression
Abstract [sv]
Graviditet och tiden efter förlossningen innebär stora metabola, immunologiska och hormonella utmaningar för kroppen. Neurologiska symtom är också vanliga under denna period. De vanligaste är graviditetsillamående, nedstämdhet efter förlossningen och förlossningsdepression. Både illamående och depressiva symtom förekommer på en skala från milda besvär till allvarliga symtom som kan sätta både mamma och barn i fara. Vissa riskfaktorer är välkända, som ung ålder, låg socioekonomi och avsaknad av en stödnätverk. Dessa faktorer tillåter ändå inte tidig identifiering och stöd för högriskgraviditeter, och mer behövs.Här använder vi två stora kohorter som omfattar totalt 4.551 graviditeter. Voluntärerna har svarad på omfattande frågeformulär om sitt liv och hälsa och lämnat avförings- och salivprover tagna under första och tredje trimestern i graviditeten, samt 8 veckor efter förlossningen. Från avföring och saliv har vi extraherat mikrobiell DNA och använt gensekvensering för att kartlägga vilka arter och gener finns i dem. Med det datat kommer vi att karakterisera hur faktorer innan graviditeten formar den gravida kvinnans mikrobiom och hur mikrobiomen utvecklas under okomplicerade graviditeter. För illamående, som främst inträffar under första trimestern, kommer vi att göra en tvärsnittsanalys av mikrober, kost och andra faktorer som påverkar illamåendets svårighetsgrad. Dessutom kommer vi att använda maskininlärningsmetoder för att förutsäga fall där illamåendet fortsätter efter graviditetsvecka 20. För depression kommer vi att använda maskininlärning både för att förutsäga ny debut av depressiva symtom efter förlossningen och för att skilja kvinnor med övergående depression från de som fortsätter att ha symtom 6 månader efter förlossningen.
Abstract [en]
Pregnancy and the perinatal period present metabolic, immune and hormonal challenges to the body. Neurological symptoms are also common in this period, including nausea, the "baby blues" and perinatal depression. Both nausea and depressive symptoms present on a scale from mild incovenience to severe symptoms putting mother and child at risk. Some risk factors are well-known; still, these factors do not allow for early identification and support of high risk pregnancies, and more is needed.Here, we use two large cohorts comprising in total 4,551 pregnancies, with questionnaire data, medical records, fecal and saliva samples taken in the first and third trimester and 8 weeks post-partum. Microbiome species and gene pathway composition will be determined in the stools and saliva of volunteers through shotgun sequencing. We will characterize how pre-pregnancy factors shape the maternal microbiome and how it progresses over uncomplicated pregnancies. For nausa, which mostly occurs in the first trimester, we will do a cross-sectional analysis of microbial, dietary and other factors that affect the severity of nausea. Additionally, we will use machine learning approaches to predict cases where nausea persists past pregnancy week 20. For depression, we will use machine learning both to predict new onset of depressive symptoms postpartum and to separate women with transient depression from those who remain symptomatic 6 months post-partum.
Principal InvestigatorHugerth, Luisa
Coordinating organisation
Uppsala University
Funder
Period
2025-01-01 － 2028-12-31
Identifiers
DiVA, id: project:9217Project, id: 2024-03317_VR

Search in DiVA

Search outside of DiVA

GoogleGoogle Scholar
v. 2.49.0
|
WCAG
|
Stockholm University Library
|
DiVA portal
|
DiVA Contact
|
DiVA Log in