Multiview Clustering to Identify Novel Kidney Donor Phenotypes for Assessing Graft Survival in Older Transplant Recipients
Notice bibliographique
Résumé
Key Points An unsupervised machine learning clustering algorithm identified distinct deceased kidney donor phenotypes among older recipients. Recipients of certain donor phenotypes were at a relatively higher risk of all-cause graft loss even after accounting for recipient factors. The use of unsupervised clustering to support kidney allocation systems may be an important area for future study. Background Older transplant recipients are at a relatively increased risk of graft failure after transplantation, and some of this risk may relate to donor characteristics. Unsupervised clustering using machine learning may be a novel approach to identify donor phenotypes that may then be used to evaluate outcomes for older recipients. Using a cohort of older recipients, the purpose of this study was to ( 1 ) use unsupervised clustering to identify donor phenotypes and ( 2 ) determine the risk of death/graft failure for recipients of each donor phenotype. Methods We analyzed a nationally representative cohort of kidney transplant recipients aged 65 years or older captured using the Scientific Registry of Transplant Recipients between 2000 and 2017. Unsupervised clustering was used to generate phenotypes using donor characteristics inclusive of variables in the kidney donor risk index (KDRI). Cluster assignment was internally validated. Outcomes included all-cause graft failure (including mortality) and delayed graft function. Differences in the distribution of KDRI scores were also compared across the clusters. All-cause graft failure was compared for recipients of donor kidneys from each cluster using a multivariable Cox survival analysis. Results Overall, 23,558 donors were separated into five clusters. The area under the curve for internal validation of cluster assignment was 0.89. Recipients of donor kidneys from two clusters were found to be at high risk of all-cause graft failure relative to the lowest risk cluster (adjusted hazards ratio, 1.86; 95% confidence interval, 1.69 to 2.05 and 1.73; 95% confidence interval, 1.61 to 1.87). Only one of these high-risk clusters had high proportions of donors with established risk factors ( i.e. , hypertension, diabetes). KDRI scores were similar for the highest and lowest risk clusters (1.40 [1.18–1.67] and 1.37 [1.15–1.65], respectively). Conclusions Unsupervised clustering can identify novel donor phenotypes comprising established donor characteristics that, in turn, may be associated with different risks of graft loss for older transplant recipients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».