Deep Learning for Liver Fibrosis Triage in MASLD Using Longitudinal Electronic Health Records (NIMIT-AI)
26 de junho de 2026 atualizado por: 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.
Visão geral do estudo
Status
Concluído
Intervenção / Tratamento
Tipo de estudo
Observacional
Inscrição (Real)
1351
Contactos e Locais
Esta seção fornece os detalhes de contato para aqueles que conduzem o estudo e informações sobre onde este estudo está sendo realizado.
Locais de estudo
-
-
Bangkok
-
Bangkok Noi, Bangkok, Tailândia, 10700
- Faculty of Medicine Siriraj Hospital
-
-
Critérios de participação
Os pesquisadores procuram pessoas que se encaixem em uma determinada descrição, chamada de critérios de elegibilidade. Alguns exemplos desses critérios são a condição geral de saúde de uma pessoa ou tratamentos anteriores.
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
N/D
Método de amostragem
Amostra Não Probabilística
População do estudo
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.
Descrição
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
Plano de estudo
Esta seção fornece detalhes do plano de estudo, incluindo como o estudo é projetado e o que o estudo está medindo.
Como o estudo é projetado?
Detalhes do projeto
Coortes e Intervenções
Grupo / Coorte |
Intervenção / Tratamento |
|---|---|
|
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.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Prazo |
|---|---|
|
Area under the receiver operating characteristic curve (AUROC) for significant fibrosis (F≥2) identification
Prazo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
Medidas de resultados secundários
Medida de resultado |
Prazo |
|---|---|
|
Sensitivity-constrained positive predictive value (PPV) for significant fibrosis (F≥2) at optimised classification threshold
Prazo: 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
Prazo: 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)
Prazo: 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
Prazo: 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
Prazo: 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
Prazo: Assessed at end of observation period (December 2022)
|
Assessed at end of observation period (December 2022)
|
Colaboradores e Investigadores
É aqui que você encontrará pessoas e organizações envolvidas com este estudo.
Patrocinador
Datas de registro do estudo
Essas datas acompanham o progresso do registro do estudo e os envios de resumo dos resultados para ClinicalTrials.gov. Os registros do estudo e os resultados relatados são revisados pela National Library of Medicine (NLM) para garantir que atendam aos padrões específicos de controle de qualidade antes de serem publicados no site público.
Datas Principais do Estudo
Início do estudo (Real)
1 de janeiro de 2018
Conclusão Primária (Real)
31 de dezembro de 2022
Conclusão do estudo (Real)
16 de junho de 2024
Datas de inscrição no estudo
Enviado pela primeira vez
18 de junho de 2026
Enviado pela primeira vez que atendeu aos critérios de CQ
26 de junho de 2026
Primeira postagem (Real)
30 de junho de 2026
Atualizações de registro de estudo
Última Atualização Postada (Real)
30 de junho de 2026
Última atualização enviada que atendeu aos critérios de controle de qualidade
26 de junho de 2026
Última verificação
1 de junho de 2026
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Termos MeSH relevantes adicionais
Outros números de identificação do estudo
- 338/2569(SIRB1)
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Não
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Não
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .