Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

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

26 juni 2026 bijgewerkt door: 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.

Studie Overzicht

Toestand

Voltooid

Conditie

Interventie / Behandeling

Studietype

Observationeel

Inschrijving (Werkelijk)

1351

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

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

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

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

NVT

Bemonsteringsmethode

Niet-waarschijnlijkheidssteekproef

Studie Bevolking

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.

Beschrijving

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

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

Cohorten en interventies

Groep / Cohort
Interventie / Behandeling
Primary longitudinal cohort (≥2 visits)
Diagnostische toets: 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)
Diagnostische toets: 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.

Wat meet het onderzoek?

Primaire uitkomstmaten

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

Secundaire uitkomstmaten

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

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Siriraj Hospital

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)

1 januari 2018

Primaire voltooiing (Werkelijk)

31 december 2022

Studie voltooiing (Werkelijk)

16 juni 2024

Studieregistratiedata

Eerst ingediend

18 juni 2026

Eerst ingediend dat voldeed aan de QC-criteria

26 juni 2026

Eerst geplaatst (Werkelijk)

30 juni 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

30 juni 2026

Laatste update ingediend die voldeed aan QC-criteria

26 juni 2026

Laatst geverifieerd

1 juni 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Aanvullende relevante MeSH-voorwaarden

Andere studie-ID-nummers

  • 338/2569(SIRB1)

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 .

Abonneren