Les uvéites regroupent des étiologies hétérogènes, incluant des maladies inflammatoires systémiques, des infections, des entités ophtalmologiques et des pseudo-uvéites. La démarche diagnostique repose sur une approche algorithmique visant à identifier précocement une étiologie curable et/ou une pathologie sous-jacente susceptible de bénéficier d’un traitement spécifique, tout en tenant compte de la sévérité et de la fréquence des différentes étiologies. L’étude prospective ULISSE a démontré qu’une stratégie diagnostique standardisée, guidée par le type anatomoclinique de l’uvéite, permettait un rendement diagnostique comparable à une prescription non protocolisée, avec une réduction significative du nombre et du coût des examens réalisés. Le diagnostic étiologique s’appuie en première intention sur l’analyse anatomoclinique de l’uvéite, intégrant la localisation de l’inflammation, son évolution, sa latéralité et les signes spécifiques. L’analyse secondaire des données épidémiologiques et démographiques, de l’anamnèse et de l’examen clinique extra-ophtalmologique permet d’affiner l’orientation du bilan. Les examens complémentaires doivent être hiérarchisés et ciblés, à l’exception d’un bilan minimal systématique, puisque la rentabilité d’examens complémentaires non orientés est très faible. Les outils d’intelligence artificielle (IA) d’aide à la décision clinique constituent une avancée majeure. Les modèles d’apprentissage automatique intégrant les données cliniques, ophtalmologiques, paracliniques et d’imagerie disponibles dès la première consultation atteignent des performances de prédiction étiologique comparables à celles d’experts disposant du bilan diagnostique complet. Ces modèles d’IA multimodaux pourraient transformer la stratégie diagnostique en permettant un bilan étiologique personnalisé, fondé sur une hiérarchisation et une adaptation dynamique des examens complémentaires. Leur implémentation en pratique clinique nécessitera toutefois une validation médico-économique par des études contrôlées comparatives.

Uveitis encompasses a heterogeneous spectrum of etiologies, including systemic inflammatory diseases, infections, specific ophthalmologic entities, and pseudo-uveitis. The diagnostic approach relies on an algorithmic strategy aimed at the early identification of a curable etiology and/or an underlying condition suitable for targeted therapy, while taking into account the severity and relative frequency of the various causes. The prospective ULISSE study showed that a standardized diagnostic approach based on the anatomo-clinical classification of uveitis achieved a diagnostic yield comparable to unrestricted testing, while substantially reducing both the number and cost of investigations. Etiological diagnosis is primarily based on anatomo-clinical analysis of uveitis, integrating the site of inflammation, disease course, laterality, and specific ophthalmologic features. Subsequently, consideration of epidemiological and demographic factors, medical history, and extra-ophthalmologic clinical examination allows further refinement of the diagnostic workup. Complementary investigations should be prioritized and targeted, except for a minimal systematic baseline evaluation, as the diagnostic yield of non-directed testing is very low. Clinical decision-support tools based on artificial intelligence (AI) represent a major advancement. Machine learning models integrating clinical, ophthalmologic, laboratory, and imaging data available from the initial consultation achieve etiological prediction performances comparable to those of experts with access to a complete diagnostic workup. These multimodal AI models could transform diagnostic strategies by enabling a personalized etiological assessment based on the prioritization and dynamic adaptation of complementary investigations. However, their implementation in routine clinical practice will require prior medico-economic validation through controlled comparative studies.