Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Deep Learning for Liver Fibrosis Triage in MASLD Using Longitudinal Electronic Health Records (NIMIT-AI)

26 juin 2026 mis à jour par: 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.

Aperçu de l'étude

Statut

Complété

Les conditions

Intervention / Traitement

Type d'étude

Observationnel

Inscription (Réel)

1351

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Lieux d'étude

  • Thaïlande
    • Bangkok
      • Bangkok Noi, Bangkok, Thaïlande, 10700
        • Faculty of Medicine Siriraj Hospital

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

N/A

Méthode d'échantillonnage

Échantillon non probabiliste

Population étudiée

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.

La description

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 d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

Cohortes et interventions

Groupe / Cohorte
Intervention / Traitement
Primary longitudinal cohort (≥2 visits)
Test diagnostique: Longitudinal electronic health record analysis
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)
Test diagnostique: Longitudinal electronic health record analysis
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.

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Délai
Area under the receiver operating characteristic curve (AUROC) for significant fibrosis (F≥2) identification
Délai: Assessed at end of observation period (December 2022)
Assessed at end of observation period (December 2022)

Mesures de résultats secondaires

Mesure des résultats
Délai
Sensitivity-constrained positive predictive value (PPV) for significant fibrosis (F≥2) at optimised classification threshold
Délai: 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
Délai: 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)
Délai: 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
Délai: 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
Délai: 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
Délai: Assessed at end of observation period (December 2022)
Assessed at end of observation period (December 2022)

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Parrainer

Siriraj Hospital

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

1 janvier 2018

Achèvement primaire (Réel)

31 décembre 2022

Achèvement de l'étude (Réel)

16 juin 2024

Dates d'inscription aux études

Première soumission

18 juin 2026

Première soumission répondant aux critères de contrôle qualité

26 juin 2026

Première publication (Réel)

30 juin 2026

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

30 juin 2026

Dernière mise à jour soumise répondant aux critères de contrôle qualité

26 juin 2026

Dernière vérification

1 juin 2026

Plus d'information

Termes liés à cette étude

Mots clés

Termes MeSH pertinents supplémentaires

Autres numéros d'identification d'étude

  • 338/2569(SIRB1)

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .

S'abonner