AI-modellen versus niet-invasieve fibrosescores bij MAFLD-diagnose (MAFLD-AI)
12 december 2025 bijgewerkt door: Nahla Ahmed Khalaf, Tanta University
Het nut van AI-modellen bij de diagnose van MAFLD beoordelen: Vergelijking met traditionele niet-invasieve fibrosescores.
Deze studie evalueert de nauwkeurigheid van kunstmatige intelligentie (AI) modellen die FibroScan en klinische gegevens gebruiken om leverfibrose te voorspellen bij Egyptische patiënten met metabool geassocieerde vette leverziekte (MAFLD).
De prestaties van de AI-modellen zullen worden vergeleken met conventionele niet-invasieve fibrosescores (FIB-4, APRI, NAFLD fibrosescore en FAST).
Het doel is om de vroege, niet-invasieve diagnose van fibrose te verbeteren en de afhankelijkheid van leverbiopsie te verminderen.
Studie Overzicht
Toestand
Voltooid
Conditie
Studietype
Observationeel
Inschrijving (Werkelijk)
522
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studie Locaties
-
-
-
Tanta, Egypte
- Faculty of Medicine
-
-
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
NVT
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Volwassen Egyptische patiënten (≥18 jaar) bij wie volgens internationale criteria metabool geassocieerde leververvetting (MAFLD) is vastgesteld, geworven vanuit de polikliniek en de FibroScan-unit van de afdeling Tropische Geneeskunde, Faculteit Geneeskunde, Tanta University.
Beschrijving
Inclusiecriteria:
- Volwassenen ≥18 jaar.
Gediagnosticeerd met MAFLD volgens internationale criteria (hepatische steatose met metabole dysfunctie).
Geldige FibroScan-evaluatie met beschikbare LSM- en CAP-waarden.
Exclusiecriteria:
- Overmatige alcoholinname (>30 g/dag voor mannen, >20 g/dag voor vrouwen).
Chronische virale hepatitis (HBV of HCV).
Auto-immuunhepatitis.
Bekende maligniteit.
Zwangerschap.
Weigering om deel te nemen.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Tijdsspanne |
|---|---|
|
Meet de diagnostische nauwkeurigheid van AI-modellen bij het voorspellen van het stadium van hepatische fibrose (F0-F4)
Tijdsspanne: Bij inschrijving (enkele dwarsdoorsnede beoordeling).
|
Bij inschrijving (enkele dwarsdoorsnede beoordeling).
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Werkelijk)
13 mei 2025
Primaire voltooiing (Werkelijk)
30 augustus 2025
Studie voltooiing (Werkelijk)
30 november 2025
Studieregistratiedata
Eerst ingediend
12 december 2025
Eerst ingediend dat voldeed aan de QC-criteria
12 december 2025
Eerst geplaatst (Werkelijk)
26 december 2025
Updates van studierecords
Laatste update geplaatst (Werkelijk)
26 december 2025
Laatste update ingediend die voldeed aan QC-criteria
12 december 2025
Laatst geverifieerd
1 december 2025
Meer informatie
Termen gerelateerd aan deze studie
Andere studie-ID-nummers
- TANTAU-MAFLD-AI-2025-01
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Nee
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Nee
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .