Deep Learning for Liver Fibrosis Triage in MASLD Using Longitudinal Electronic Health Records (NIMIT-AI)
perjantai 26. kesäkuuta 2026 päivittänyt: 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.
Tutkimuksen yleiskatsaus
Tila
Valmis
Interventio / Hoito
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Todellinen)
1351
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskelupaikat
-
-
Bangkok
-
Bangkok Noi, Bangkok, Thaimaa, 10700
- Faculty of Medicine Siriraj Hospital
-
-
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Ei käytössä
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
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.
Kuvaus
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
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
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.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
|---|---|
|
Area under the receiver operating characteristic curve (AUROC) for significant fibrosis (F≥2) identification
Aikaikkuna: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Aikaikkuna |
|---|---|
|
Sensitivity-constrained positive predictive value (PPV) for significant fibrosis (F≥2) at optimised classification threshold
Aikaikkuna: 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
Aikaikkuna: 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)
Aikaikkuna: 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
Aikaikkuna: 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
Aikaikkuna: 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
Aikaikkuna: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Maanantai 1. tammikuuta 2018
Ensisijainen valmistuminen (Todellinen)
Lauantai 31. joulukuuta 2022
Opintojen valmistuminen (Todellinen)
Sunnuntai 16. kesäkuuta 2024
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Torstai 18. kesäkuuta 2026
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 26. kesäkuuta 2026
Ensimmäinen Lähetetty (Todellinen)
Tiistai 30. kesäkuuta 2026
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 30. kesäkuuta 2026
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 26. kesäkuuta 2026
Viimeksi vahvistettu
Maanantai 1. kesäkuuta 2026
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Avainsanat
Muita asiaankuuluvia MeSH-ehtoja
Muut tutkimustunnusnumerot
- 338/2569(SIRB1)
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Ei
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Ei
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .