Ítem
Acceso Abierto
Dynamic Prediction of Treatment Failure in Ocular Tuberculosis Using Machine Learning and Explainable AI
Título de la revista
Autores
Rojas-Carabali, William
Guérand, Tristan
Cifuentes-González, Carlos
Abisheganaden, John
RK, Palvannan
Chun Wei, Yap
Mejía-Salgado, Germán
de-la-Torre, Alejandra
Smith, Justine R.
Kempen, John H.
Fecha
2025-10-24
Directores
ISSN de la revista
Título del volumen
Editor
Buscar en:
Métricas alternativas
Resumen
La tuberculosis ocular (TBO) representa un importante desafío terapéutico debido a la complejidad de su diagnóstico y manejo clínico. La predicción temprana del fracaso del tratamiento es fundamental para permitir intervenciones oportunas y mejorar los resultados en los pacientes. Este estudio evalúa la aplicación de enfoques de aprendizaje automático (machine learning, ML) para predecir el fracaso terapéutico en pacientes con uveítis tuberculosa, utilizando tanto datos basales como información longitudinal actualizada a lo largo del seguimiento clínico. Se analizaron datos retrospectivos de 836 pacientes incluidos en el Collaborative Ocular Tuberculosis Study (COTS), procedentes de 27 centros oftalmológicos internacionales. Se evaluó el desempeño de nueve modelos de ML para predecir el fracaso del tratamiento a los seis, 12 y 24 meses, empleando métricas como el área bajo la curva (AUC), precisión, exactitud y puntuación F1. Los modelos XGBoost y Random Forest mostraron un rendimiento superior y consistente en todos los puntos temporales, alcanzando altos niveles de exactitud y capacidad predictiva. El uso de herramientas de interpretabilidad permitió identificar las variables más relevantes para la predicción clínica. Estos resultados demuestran que los modelos de aprendizaje automático explicables pueden apoyar la toma de decisiones clínicas en tiempo real y mejorar la gestión terapéutica de la tuberculosis ocular, con potencial impacto positivo en los resultados a largo plazo.
Abstract
Purpose: Ocular tuberculosis (OTB) poses significant challenges in treatment because ofits complex diagnostic and therapeutic landscapes. Predicting treatment failure effec tively is crucial for timely intervention and improving patient outcomes. We report the application of machine learning (ML) approaches to (i) allow predictions using baseline data and(ii) dynamically update predictions basedonpatienthistory andnewobserva tions. Methods:The Collaborative Ocular Tuberculosis Study (COTS)was a multinational retro spective study encompassing data from 836 patients with tubercular uveitis across 27 international eye care centers. This study evaluated the performance of nine MLmodels to predict treatment failure at six, 12, and 24 months using baseline and longitudinal data. Metrics such as area under the curve (AUC), precision, accuracy, F1-score, and model complexity were reported. Top features and their importance were identified using XGBoost, with weight of evidence and information value calculated to enhance interpretability. Results: Data were collected from 836, 769, and 418 patients at six, 12, and 24 months, respectively. XGBoost and Random Forest (RF) models consistently showed superior performance across all timepoints. At 6 months, XGBoost achieved an AUC of 0.915 ± 0.019 and accuracy of 0.879 ± 0.027. At 12 months, RF outperformed with an AUC of 0.921±0.011andaccuracyof0.944±0.022.At24 months, RFmaintainedhighaccuracy (0.960 ± 0.029) despite a slight drop in AUC (0.888 ±0.099). Deep Neural Networks and TT-net models were underfitted. Conclusions: ML models like XGBoost and RF demonstrate promise for early and accurate prediction of treatment failure in OTB, with explainability toolsenhancingclini cal interpretability. Translational Relevance: This study bridges basic ML research and clinical care by offeringexplainable,performance-drivenmodelsthatsupportreal-time,data-informed treatment decisions in managing OTB, potentially improving long-term outcomes.
Palabras clave
Tuberculosis ocular , Uveítis tuberculosa , Fracaso del tratamiento , Aprendizaje automático , Predicción clínica , Modelos explicables , Toma de decisiones clínicas
Keywords
Ocular tuberculosis , Explainable AI , COTS calculator , Clinical decision support
