Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

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

26 июня 2026 г. обновлено: 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.

Обзор исследования

Статус

Завершенный

Условия

Вмешательство/лечение

Тип исследования

Наблюдательный

Регистрация (Действительный)

1351

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Места учебы

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

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

  • Взрослый
  • Пожилой взрослый

Принимает здоровых добровольцев

Н/Д

Метод выборки

Невероятностная выборка

Исследуемая популяция

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.

Описание

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

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

Когорты и вмешательства

Группа / когорта
Вмешательство/лечение
Primary longitudinal cohort (≥2 visits)
Диагностический тест: 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)
Диагностический тест: 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.

Что измеряет исследование?

Первичные показатели результатов

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

Вторичные показатели результатов

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

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Спонсор

Siriraj Hospital

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

1 января 2018 г.

Первичное завершение (Действительный)

31 декабря 2022 г.

Завершение исследования (Действительный)

16 июня 2024 г.

Даты регистрации исследования

Первый отправленный

18 июня 2026 г.

Впервые представлено, что соответствует критериям контроля качества

26 июня 2026 г.

Первый опубликованный (Действительный)

30 июня 2026 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

30 июня 2026 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

26 июня 2026 г.

Последняя проверка

1 июня 2026 г.

Дополнительная информация

Термины, связанные с этим исследованием

Ключевые слова

Дополнительные соответствующие термины MeSH

Другие идентификационные номера исследования

  • 338/2569(SIRB1)

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .

Подписаться