Ítem
Acceso Abierto
Machine Learning for Predicting Recurrent Course in Uveitis Using Baseline Clinical Characteristics
Título de la revista
Autores
Rojas-Carabali, William
Cifuentes-González, Carlos
Utami, Anna
Agarwal, Manisha
Kempen, John H.
Tsui, Edmund
Finger, Robert P.
Sen, Alok
Chan, Anita
Schlaen, Ariel
Fecha
2025-06-09
Directores
ISSN de la revista
Título del volumen
Editor
Buscar en:
Métricas alternativas
Resumen
La uveítis recurrente representa un desafío clínico relevante debido a su impacto en el pronóstico visual y a la heterogeneidad de sus causas. El objetivo de este estudio fue desarrollar y evaluar modelos de aprendizaje automático para predecir el riesgo de recurrencia de la uveítis utilizando características clínicas basales, con el fin de apoyar la toma de decisiones clínicas y la estratificación del riesgo. Se realizó un análisis retrospectivo empleando datos del registro Ocular Autoimmune Systemic Inflammatory Infectious Study, que incluyó 966 pacientes (1.432 ojos) con diagnóstico de uveítis. Se entrenaron tres clasificadores de aprendizaje automático —Random Forest, eXtreme Gradient Boosting y máquinas de soporte vectorial con función de base radial— a partir de variables demográficas y clínicas basales previamente preprocesadas. Los predictores se seleccionaron mediante análisis bivariado con corrección por tasa de falsos descubrimientos, y los modelos se optimizaron mediante búsqueda en malla y validación cruzada estratificada de cinco pliegues. El rendimiento se evaluó en un conjunto de prueba independiente considerando exactitud, sensibilidad, especificidad, área bajo la curva ROC y valores SHAP para la interpretación de la importancia de las variables. El modelo Random Forest mostró el mejor desempeño global, con una exactitud del 77 %, alta especificidad (93 %) y sensibilidad moderada (44 %) para la identificación de recurrencias. Los otros modelos presentaron rendimientos comparables, aunque con sensibilidades ligeramente inferiores. El análisis interpretativo identificó la turbidez vítrea, la presencia de células retrolentales y la etiología no infecciosa como predictores clave de recurrencia. En conjunto, los resultados indican que los modelos de aprendizaje automático, especialmente Random Forest, son útiles para identificar pacientes con bajo riesgo de recurrencia de uveítis, aunque persisten limitaciones en la detección de eventos poco frecuentes.
Abstract
PURPOSE. We developed and evaluated machine learning models for predicting the risk of recurrent uveitis using baseline clinical characteristics, to inform clinical decision-making and risk stratification. METHODS. A retrospective analysis was conducted using the Ocular Autoimmune Systemic Inflammatory Infectious Study registry, including 966 patients (1432 eyes) with uveitis. Three machine learning classifiers—random Forest, eXtreme Gradient Boosting, and radial basis function support vector classifier—were trained on preprocessed baseline demographic and clinical data. Predictors were selected through bivariate analysis with false discovery rate correction. Models were optimized using grid search with five-fold stratified cross-validation. Performance was evaluated on a hold-out test set using accu racy, sensitivity, specificity, area under the receiver operating characteristic curve, and Shapley additive explanations values for feature importance. RESULTS. The random Forest model achieved the highest test accuracy (0.77), with high specificity (0.93) but modest sensitivity (0.44) for identifying recurrences. eXtreme Gradi ent Boosting and radial basis function support vector classifier showed comparable accu racies (0.73 and 0.74, respectively) but slightly lower sensitivities. Shapley additive expla nation analysis identified vitreous haze, retrolental cells, and noninfectious etiology as key predictors. Learning curves indicated that model performance stabilized with the available sample size, suggesting adequate training data. CONCLUSIONS. Machine learning models, particularly random Forest, effectively identified patients at low risk of uveitis recurrence, offering high specificity. However, sensitivity remained limited, highlighting challenges in predicting infrequent events in a heteroge neous disease population.
Palabras clave
Uveítis , Recurrencia , Aprendizaje automático , Random , Forest , Estratificación del riesgo , Predicción clínica , Modelos predictivos , Interpretabilidad (SHAP) , Oftalmología
Keywords
Machine learning , Uveitis recurrence , Risk stratification , Ocular inflammation , SHAP analysis
