Deep Learning for Liver Fibrosis Triage in MASLD Using Longitudinal Electronic Health Records (NIMIT-AI)
26 de junio de 2026 actualizado por: Tawesak Tanwandee, Siriraj Hospital
NIMIT-AI: Neural Inference for Metabolic-liver Integrated Trajectories: Leveraging Deep Learning to Enhance Reliability in MASLD Triage
This study looks at a new computer program called NIMIT-AI (Neural Inference for Metabolic-liver Integrated Trajectories, Artificial Intelligence) that helps doctors find liver scarring early in patients with fatty liver disease.
Fatty liver disease, also called metabolic dysfunction-associated steatotic liver disease (MASLD), is a common condition where fat builds up in the liver. Over time, this can cause scarring (fibrosis). Finding scarring early helps doctors treat it before it gets worse.
Right now, doctors use a blood test score called FIB-4 to check for scarring. But this score misses many patients and cannot be calculated when blood test results are incomplete.
NIMIT-AI works differently. It reads a patient's blood test results over multiple visits, not just one visit, to spot patterns that suggest liver scarring. It was tested on 969 patients seen at Siriraj Hospital in Bangkok, Thailand between 2018 and 2022.
In testing, NIMIT-AI found liver scarring more accurately than FIB-4. It also worked even when some blood test results were missing, which happens often in real clinics.
This study did not ask patients to do anything extra. It used health records that were already collected as part of regular care.
Descripción general del estudio
Estado
Terminado
Intervención / Tratamiento
Tipo de estudio
De observación
Inscripción (Actual)
1351
Contactos y Ubicaciones
Esta sección proporciona los datos de contacto de quienes realizan el estudio e información sobre dónde se lleva a cabo este estudio.
Ubicaciones de estudio
-
-
Bangkok
-
Bangkok Noi, Bangkok, Tailandia, 10700
- Faculty of Medicine Siriraj Hospital
-
-
Criterios de participación
Los investigadores buscan personas que se ajusten a una determinada descripción, denominada criterio de elegibilidad. Algunos ejemplos de estos criterios son el estado de salud general de una persona o tratamientos previos.
Criterio de elegibilidad
Edades elegibles para estudiar
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
N/A
Método de muestreo
Muestra no probabilística
Población de estudio
Adults with confirmed metabolic dysfunction-associated steatotic liver disease (MASLD) receiving outpatient hepatology care at Siriraj Hospital, a 2,500-bed tertiary academic medical centre in Bangkok, Thailand.
The population reflects a high metabolic comorbidity burden typical of urban Thai patients, with elevated rates of type 2 diabetes, obesity, and cardiometabolic multimorbidity.
Descripción
Inclusion Criteria:
- Age ≥18 years at index visit
- Confirmed MASLD diagnosis per Delphi consensus criteria
- At least one outpatient visit with concurrent laboratory data and FibroScan liver stiffness measurement within observation window (2018-2022)
- Receiving care at Division of Gastroenterology, Faculty of Medicine Siriraj Hospital, Mahidol University
Exclusion Criteria:
- Alternative chronic liver disease aetiology (autoimmune hepatitis, primary biliary cholangitis, primary sclerosing cholangitis, Wilson's disease, haemochromatosis)
- Chronic viral hepatitis (hepatitis B or C surface antigen positivity)
- Prior liver transplantation
- Active extrahepatic malignancy at baseline
- Insufficient longitudinal data for outcome ascertainment
Plan de estudios
Esta sección proporciona detalles del plan de estudio, incluido cómo está diseñado el estudio y qué mide el estudio.
¿Cómo está diseñado el estudio?
Detalles de diseño
Cohortes e Intervenciones
Grupo / Cohorte |
Intervención / Tratamiento |
|---|---|
|
Primary longitudinal cohort (≥2 visits)
|
NIMIT-AI, a gated recurrent unit deep learning model, analyzed serial outpatient laboratory results from electronic health records collected over a 5-year observation window (2018-2022) at Siriraj Hospital.
The model processed up to 10 sequential visits per patient using 18 clinical features including liver enzymes, metabolic markers, comorbidity flags, and medication exposures to predict liver fibrosis stage without requiring elastography.
|
|
Singleton sensitivity analysis cohort (1 visit)
|
NIMIT-AI, a gated recurrent unit deep learning model, analyzed serial outpatient laboratory results from electronic health records collected over a 5-year observation window (2018-2022) at Siriraj Hospital.
The model processed up to 10 sequential visits per patient using 18 clinical features including liver enzymes, metabolic markers, comorbidity flags, and medication exposures to predict liver fibrosis stage without requiring elastography.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Periodo de tiempo |
|---|---|
|
Area under the receiver operating characteristic curve (AUROC) for significant fibrosis (F≥2) identification
Periodo de tiempo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
Medidas de resultado secundarias
Medida de resultado |
Periodo de tiempo |
|---|---|
|
Sensitivity-constrained positive predictive value (PPV) for significant fibrosis (F≥2) at optimised classification threshold
Periodo de tiempo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
|
Diagnostic performance for compensated advanced chronic liver disease (F3-F4 cACLD) reported as one-vs-rest AUROC
Periodo de tiempo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
|
Net reclassification improvement (NRI) of NIMIT-AI versus FIB-4 at guideline-recommended threshold (1.30)
Periodo de tiempo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
|
Integrated discrimination improvement (IDI) of NIMIT-AI versus FIB-4
Periodo de tiempo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
|
Attention weight distribution across visit positions for temporal interpretability of NIMIT-AI predictions
Periodo de tiempo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
|
SHAP (SHapley Additive exPlanations) feature importance values for global model interpretability across fibrosis classes
Periodo de tiempo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
Colaboradores e Investigadores
Aquí es donde encontrará personas y organizaciones involucradas en este estudio.
Patrocinador
Fechas de registro del estudio
Estas fechas rastrean el progreso del registro del estudio y los envíos de resultados resumidos a ClinicalTrials.gov. Los registros del estudio y los resultados informados son revisados por la Biblioteca Nacional de Medicina (NLM) para asegurarse de que cumplan con los estándares de control de calidad específicos antes de publicarlos en el sitio web público.
Fechas importantes del estudio
Inicio del estudio (Actual)
1 de enero de 2018
Finalización primaria (Actual)
31 de diciembre de 2022
Finalización del estudio (Actual)
16 de junio de 2024
Fechas de registro del estudio
Enviado por primera vez
18 de junio de 2026
Primero enviado que cumplió con los criterios de control de calidad
26 de junio de 2026
Publicado por primera vez (Actual)
30 de junio de 2026
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
30 de junio de 2026
Última actualización enviada que cumplió con los criterios de control de calidad
26 de junio de 2026
Última verificación
1 de junio de 2026
Más información
Términos relacionados con este estudio
Palabras clave
Términos MeSH relevantes adicionales
Otros números de identificación del estudio
- 338/2569(SIRB1)
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
No
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
No
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .