AI-modeller kontra icke-invasiva fibrosskattningar vid MAFLD-diagnos (MAFLD-AI)
12 december 2025 uppdaterad av: Nahla Ahmed Khalaf, Tanta University
Utvärdering av nyttan med AI-modeller vid diagnostisering av MAFLD: Jämförelse med traditionella icke-invasiva fibrosskattningar.
Den här studien utvärderar noggrannheten hos artificiell intelligens (AI)-modeller som använder FibroScan och kliniska data för att förutsäga leverskleros hos egyptiska patienter med metabol-associerad fettleversjukdom (MAFLD).
AI-modellernas prestanda kommer att jämföras med konventionella icke-invasiva fibrosskådningar (FIB-4, APRI, NAFLD-fibrosskådning och FAST).
Målet är att förbättra den tidiga, icke-invasiva diagnosen av fibros och minska beroendet av leverbiopsi.
Studieöversikt
Status
Avslutad
Betingelser
Studietyp
Observationell
Inskrivning (Faktisk)
522
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studieorter
-
-
-
Tanta, Egypten
- Faculty of Medicine
-
-
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
N/A
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Vuxna egyptiska patienter (≥18 år) diagnostiserade med metabolisk associerad fettleversjukdom (MAFLD) enligt internationella kriterier, rekryterade från den polikliniska kliniken och FibroScan-enheten vid Tropikmedicinska avdelningen, Medicinska fakulteten, Tanta University.
Beskrivning
Inklusionskriterier:
- Vuxna ≥18 år.
Diagnostiserade med MAFLD enligt internationella kriterier (leversteatos med metabol dysfunktion).
Giltig FibroScan-utvärdering med tillgängliga LSM- och CAP-värden.
Exklusionskriterier:
- Överdrivet alkoholintag (>30 g/dag för män, >20 g/dag för kvinnor).
Kronisk viral hepatit (HBV eller HCV).
Autoimmun hepatit.
Känd malignitet.
Graviditet.
Vägran att delta.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
Vad mäter studien?
Primära resultatmått
Resultatmått |
Tidsram |
|---|---|
|
Mäta diagnostisk noggrannhet hos AI-modeller vid prediktion av hepatisk fibrosstadium (F0-F4)
Tidsram: Vid inskrivning (en enskild tvärsnittsbedömning).
|
Vid inskrivning (en enskild tvärsnittsbedömning).
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Faktisk)
13 maj 2025
Primärt slutförande (Faktisk)
30 augusti 2025
Avslutad studie (Faktisk)
30 november 2025
Studieregistreringsdatum
Först inskickad
12 december 2025
Först inskickad som uppfyllde QC-kriterierna
12 december 2025
Första postat (Faktisk)
26 december 2025
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
26 december 2025
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
12 december 2025
Senast verifierad
1 december 2025
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- TANTAU-MAFLD-AI-2025-01
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Nej
Studerar en amerikansk FDA-reglerad produktprodukt
Nej
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .