Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

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

26 czerwca 2026 zaktualizowane przez: 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.

Przegląd badań

Status

Zakończony

Warunki

Interwencja / Leczenie

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

1351

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Lokalizacje studiów

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

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie dotyczy

Metoda próbkowania

Próbka bez prawdopodobieństwa

Badana populacja

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.

Opis

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 studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
Primary longitudinal cohort (≥2 visits)
Test diagnostyczny: 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 diagnostyczny: 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.

Co mierzy badanie?

Podstawowe miary wyniku

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

Miary wyników drugorzędnych

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

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Siriraj Hospital

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

1 stycznia 2018

Zakończenie podstawowe (Rzeczywisty)

31 grudnia 2022

Ukończenie studiów (Rzeczywisty)

16 czerwca 2024

Daty rejestracji na studia

Pierwszy przesłany

18 czerwca 2026

Pierwszy przesłany, który spełnia kryteria kontroli jakości

26 czerwca 2026

Pierwszy wysłany (Rzeczywisty)

30 czerwca 2026

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

30 czerwca 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

26 czerwca 2026

Ostatnia weryfikacja

1 czerwca 2026

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Dodatkowe istotne warunki MeSH

Inne numery identyfikacyjne badania

  • 338/2569(SIRB1)

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .

Subskrybuj