AI-modeller vs. ikke-invaderende fibrose-scorer i MAFLD-diagnose (MAFLD-AI)
12. desember 2025 oppdatert av: Nahla Ahmed Khalaf, Tanta University
Vurdering av nytteverdien til AI-modeller i MAFLD-diagnostisering: Sammenligning med tradisjonelle ikke-invasive fibrose-skårer.
Denne studien evaluerer nøyaktigheten til kunstig intelligens (AI)-modeller som bruker FibroScan og kliniske data for å forutsi hepatisk fibrose hos egyptiske pasienter med metabolsk assosiert fettleversykdom (MAFLD). Ytelsen til AI-modellene vil bli sammenlignet med konvensjonelle ikke-invasive fibrose-scorer (FIB-4, APRI, NAFLD-fibrose-score og FAST). Målet er å forbedre tidlig, ikke-invasiv diagnostisering av fibrose og redusere avhengigheten av leverbiopsi.
Studieoversikt
Status
Fullført
Forhold
Studietype
Observasjonsmessig
Registrering (Faktiske)
522
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Tanta, Egypt
- Faculty of Medicine
-
-
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
N/A
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Voksne egyptiske pasienter (≥18 år) diagnostisert med metabolisk assosiert fettleversykdom (MAFLD) i henhold til internasjonale kriterier, rekruttert fra poliklinikken og FibroScan-enheten ved Avdeling for tropemedisin, Medisinsk fakultet, Tanta University.
Beskrivelse
Inklusjonskriterier:
- Voksne ≥18 år.
Diagnostisert med MAFLD i henhold til internasjonale kriterier (leverfett med metabolisk dysfunksjon).
Gyldig FibroScan-utredning med tilgjengelige LSM- og CAP-verdier.
Eksklusjonskriterier:
- Overdreven alkoholinntak (>30 g/dag for menn, >20 g/dag for kvinner).
Kronisk viral hepatitt (HBV eller HCV).
Autoimmun hepatitt.
Kjent malignitet.
Graviditet.
Nekter å delta.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Hva måler studien?
Primære resultatmål
Resultatmål |
Tidsramme |
|---|---|
|
Måle diagnostisk nøyaktighet av AI-modeller i prediksjon av leversklerose-stadium (F0-F4)
Tidsramme: Ved opptak (enkelt tverrsnittsvurdering).
|
Ved opptak (enkelt tverrsnittsvurdering).
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Faktiske)
13. mai 2025
Primær fullføring (Faktiske)
30. august 2025
Studiet fullført (Faktiske)
30. november 2025
Datoer for studieregistrering
Først innsendt
12. desember 2025
Først innsendt som oppfylte QC-kriteriene
12. desember 2025
Først lagt ut (Faktiske)
26. desember 2025
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
26. desember 2025
Siste oppdatering sendt inn som oppfylte QC-kriteriene
12. desember 2025
Sist bekreftet
1. desember 2025
Mer informasjon
Begreper knyttet til denne studien
Andre studie-ID-numre
- TANTAU-MAFLD-AI-2025-01
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .