Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

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

26 giugno 2026 aggiornato da: 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.

Panoramica dello studio

Stato

Completato

Condizioni

Intervento / Trattamento

Tipo di studio

Osservativo

Iscrizione (Effettivo)

1351

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Luoghi di studio

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

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

  • Adulto
  • Adulto più anziano

Accetta volontari sani

N/A

Metodo di campionamento

Campione non probabilistico

Popolazione di studio

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.

Descrizione

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

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

Coorti e interventi

Gruppo / Coorte
Intervento / Trattamento
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.

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Lasso di tempo
Area under the receiver operating characteristic curve (AUROC) for significant fibrosis (F≥2) identification
Lasso di tempo: Assessed at end of observation period (December 2022)
Assessed at end of observation period (December 2022)

Misure di risultato secondarie

Misura del risultato
Lasso di tempo
Sensitivity-constrained positive predictive value (PPV) for significant fibrosis (F≥2) at optimised classification threshold
Lasso di tempo: 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
Lasso di tempo: 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)
Lasso di tempo: 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
Lasso di tempo: 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
Lasso di tempo: 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
Lasso di tempo: Assessed at end of observation period (December 2022)
Assessed at end of observation period (December 2022)

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

1 gennaio 2018

Completamento primario (Effettivo)

31 dicembre 2022

Completamento dello studio (Effettivo)

16 giugno 2024

Date di iscrizione allo studio

Primo inviato

18 giugno 2026

Primo inviato che soddisfa i criteri di controllo qualità

26 giugno 2026

Primo Inserito (Effettivo)

30 giugno 2026

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

30 giugno 2026

Ultimo aggiornamento inviato che soddisfa i criteri QC

26 giugno 2026

Ultimo verificato

1 giugno 2026

Maggiori informazioni

Termini relativi a questo studio

Altri numeri di identificazione dello studio

  • 338/2569(SIRB1)

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .