利用数字孪生技术和临床决策支持系统，改善代谢相关脂肪性肝病（MAFLD）全谱系患者的早期检测、个性化治疗和长期监测。 (ARTEMIS)

1. - 术语表 CT : 计算机断层扫描 CVD : 心血管疾病 HCC : 肝细胞癌 MASH : 代谢功能障碍相关脂肪性肝炎 MASLD : 代谢功能障碍相关脂肪性肝病 MRI : 磁共振成像 PET : 正电子发射断层扫描 SLD : 脂肪性肝病 TACE : 经动脉化疗栓塞术 TARE : 经动脉放射性栓塞术 TIPS : 经颈静脉肝内门体分流术 US : 超声 USE : 超声弹性成像 VCTE : 振动控制瞬时弹性成像

2. - 临床研究描述

   ARTEMIS回顾性队列符合本次征集工作计划中定义的“为解答与疾病、精神疾病或身体状况的理解、预防、诊断、监测或治疗相关的科学问题，而对从个体患者或健康人获得的健康数据进行回顾性收集和分析”的定义。因此，第536/2014号法规（关于药品）中定义的临床研究定义不适用于我们研究的框架。

   该队列将服务于以下主要目标：

   • 开发和验证能够预测肝脏疾病（特别是各阶段MASLD（用例1和2））进展以及某些干预或疗法结果（用例3和4）的机器学习或机制模型。
   • 识别新的相关性或验证特定观察、干预和结果（特别是心血管并发症）之间疑似存在的相关性。

3. - 研究依据 代谢功能障碍相关脂肪性肝病（MASLD）是目前全球最常见的慢性肝病，全球患病率为25.24%（2）。鉴于疾病进展的多条途径（3）以及缺乏针对其长期预后的人群研究（4），其自然史仍不明确。为缓解关于MASLD自然史（5）高质量数据的匮乏并改善患者护理，ARTEMIS项目计划构建一个包含不同阶段肝病患者（重点关注MASLD（用例1和2））的纵向队列。

   鉴于MASLD机制存在显著的异质性，计算模型的部署在科学界日益普及，作为揭示这一复杂主题的有效手段（6）。特别是，对人类肝脏代谢的理解对于更深入地理解驱动疾病进展的主要因素起着关键作用。因此，机制模型在体现肝脏和胃肠系统固有的复杂性方面发挥着重要作用。作为补充，机器学习模型有望解答与疾病不同阶段及相关合并症相关的更精确问题，从而能够基于特定亚人群的参数进行诊断和预后预测以及风险分层。

   鉴于此，ARTEMIS队列将用于测试新假设，以及训练、验证和评估计算模型（包括机器学习模型、机制模型及其组合）的性能，旨在改善MASLD患者的管理。ARTEMIS队列将整合MASLD患者在整个疾病谱中的回顾性多源数据，因此包括MASH、肝硬化和HCC患者。该队列将包括来自7个国家12个中心的患者。该队列还将纳入与这些人群最相关的合并症相关的数据，尤其是心血管事件。

4. - 与临床研究待解答科学问题直接相关的现有知识范围及评估

   除了其自然史的复杂性外，MASLD还与心血管疾病（CVD）和心脏事件（包括冠状动脉疾病、动脉粥样硬化、心力衰竭和心律失常）风险增加相关。MASLD增加CVD风险的确切机制尚不完全清楚，但被认为与该病症相关的全身性炎症和代谢功能障碍有关。

   多项研究调查了MASLD与心脏事件之间的关系。2016年发表的一项系统综述和荟萃分析（7），分析了16个前瞻性和回顾性队列，涉及34,043名成年个体（36.3%患有MASLD），在中位6.9年期间约有2,600例CVD结局（>70%为CVD死亡）。他们得出结论，MASLD与致命和非致命CVD事件风险增加相关，尽管观察性研究的设计不允许得出明确的因果推论。

   共识认为，应密切监测MASLD患者的心血管危险因素并进行相应管理，以降低其发生CVD的风险。然而，鉴于该疾病当前的高患病率及其预期增长，此类监测可能给公共医疗系统带来巨大压力。

   需要有助于对心血管事件风险较高的MASLD患者进行分层的解决方案。ARTEMIS队列旨在基于先进的计算模型，协助开发此类解决方案。

5. - 临床研究的目标

ARTEMIS项目计划整合一个整体的虚拟模型，一方面更好地理解MASLD进展的潜在机制，另一方面预测疾病不同阶段的心血管事件。鉴于此，将考虑4个临床案例，其中将根据提出的临床问题，单独或联合开发和验证基于理论的机制模型和数据驱动的人工智能模型。

ARTEMIS队列的目标是根据各自的敏感性和特异性，评估将在不同临床案例中部署的机制模型和基于人工智能的模型的性能。