Eine aktuelle Studie der University of Utah, veröffentlicht im Journal of Exposure Science & Environmental Epidemiology, identifiziert kumulative Luftverschmutzung als unterschätztes Risiko für Frühgeburten. Forschende analysierten Umwelt- und Geburtsdaten von über 44.800 Erstgebärenden im US-Bundesstaat Utah aus dem Zeitraum 2013 bis 2016. Die Ergebnisse belegen, dass bereits moderate gleichzeitige Belastungen durch verschiedene Schadstoffe das Risiko für vorzeitige Entbindungen vor der 34. Schwangerschaftswoche signifikant steigern können. Zur Entschlüsselung der komplexen Expositionsmuster setzten die Wissenschaftler um Erstautorin Brenna Kelly auf ein epidemiologisches Machine-Learning-Framework. Ein selbstorganisierendes neuronales Netz verarbeitete hochaufgelöste Messdaten zu Stickstoffdioxid, Ozon, Feinstaub PM2.5 und Temperatur. Der Algorithmus kategorisierte zwölf typische Schadstoffmischungen und analysierte deren zeitlichen Einfluss auf jede Schwangerschaftswoche. Besonders kritisch fiel die Kombination aus Ozon und PM2.5 in der späten ersten Schwangerschaftsphase aus. Eine Exposition in der 11. Woche erhöhte die Wahrscheinlichkeit einer Frühgeburt um 53 Prozent. Wiederholte Belastungen über die Wochen 9 bis 14 vervielfachten das Risiko auf das Dreifache. Konventionelle Luftqualitätsindizes stützen sich ausschließlich auf den jeweils höchsten Einzelwert. Dadurch werden kombinierte Gesundheitsrisiken systematisch übersehen, was die Studie als gravierende Lücke im öffentlichen Gesundheitsschutz kennzeichnet. Fachlich führt die Exposition zu kumulativen Entzündungsreaktionen und beeinträchtigt die frühe Plazenta- und Gefäßentwicklung. Koautorin Michelle Debbink erklärt, dass diese physiologischen Schäden das Risiko für Komplikationen wie Präeklampsie und damit verbundene Frühgeburten drastisch erhöhen. Die Forschung demonstriert zugleich das transformativen Potenzial künstlicher Intelligenz für die Umweltepidemiologie. Eingebettet in die DELPHI-Initiative und das Responsible AI-Programm der Universität, zeigt das Team, wie Algorithmen bisher unerkennbare Umweltrisiken aufdecken können. Die Autorinnen und Autoren fordern daraufhin eine fundamentale Überarbeitung bestehender Luftreinhalte-Standards. Zukünftige Forschungsvorhaben sollen das entwickelte KI-Modell auf weitere Schadstoffmischungen und Gesundheitseffekte übertragen, um evidenzbasierte politische und medizinische Steuerungsinstrumente zu entwickeln.