Ítem
Acceso Abierto

Machine Learning for Predicting Recurrent Course in Uveitis Using Baseline Clinical Characteristics

Mostrar el registro sencillo de la publicación
dc.creatorRojas-Carabali, William
dc.creatorCifuentes-González, Carlos
dc.creatorUtami, Anna
dc.creatorAgarwal, Manisha
dc.creatorKempen, John H.
dc.creatorTsui, Edmund
dc.creatorFinger, Robert P.
dc.creatorSen, Alok
dc.creatorChan, Anita
dc.creatorSchlaen, Ariel
dc.creatorGupta, Vishali
dc.creatorde-la-Torre, Alejandra
dc.creatorLee, Bernett
dc.creatorAgrawal, Rupesh
dc.date.accessioned2026-01-26T20:59:37Z
dc.date.available2026-01-26T20:59:37Z
dc.date.created2025-06-09
dc.date.issued2025-08-27
dc.descriptionLa 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.
dc.description.abstractPURPOSE. 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.
dc.format.extent10 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.1167/iovs.66.11.67
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47327
dc.language.isoeng
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto completo)spa
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationApivatthakakul A, Tantraworasin A, Rothova A, et al. Preva lence and risk factors for ocular complications in new-onset uveitis: a study from a tertiary referral center in Northern Thailand. Clin Ophthalmol. 2025;19:543–551.
dc.source.bibliographicCitationPrieto Del Cura MDM, Gonzalez-Guijarro JJ. Impact of ocular complications on visual outcomes in adult patients with uveitis. Cureus. 2022;14:e21370.
dc.source.bibliographicCitationSuttorp-Schulten MS, Rothova A. The possible impact of uveitis in blindness: a literature survey. Br J Ophthalmol. 1996;80:844–848.
dc.source.bibliographicCitationJabs D, Nussenblatt R, Rosenbaum J. Standardization of uveitis nomenclature for reporting clinical data. Results of the First International Workshop. Am J Ophthalmol. 2005;140:509–516.
dc.source.bibliographicCitationO’Connor GR. Factors related to the initiation and recur rence of uveitis. Am J Ophthalmol. 1983;96:577–599.
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectUveítis
dc.subjectRecurrencia
dc.subjectAprendizaje automático
dc.subjectRandom
dc.subjectForest
dc.subjectEstratificación del riesgo
dc.subjectPredicción clínica
dc.subjectModelos predictivos
dc.subjectInterpretabilidad (SHAP)
dc.subjectOftalmología
dc.subject.keywordMachine learning
dc.subject.keywordUveitis recurrence
dc.subject.keywordRisk stratification
dc.subject.keywordOcular inflammation
dc.subject.keywordSHAP analysis
dc.titleMachine Learning for Predicting Recurrent Course in Uveitis Using Baseline Clinical Characteristics
dc.typejournalArticle
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersion
dc.type.spaArtículo
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Machine_Learning_for_Predicting_Recurrent_Course.pdf
Tamaño:
1.32 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Artículos