Using Unsupervised Clustering to Characterize Phenotypes Among Older Kidney Transplant Recipients: A Cohort Study
Notice bibliographique
Résumé
Background: Older kidney transplant recipients have inferior outcomes compared to younger recipients, and this risk may be compounded by donor characteristics. Objective: We applied an unsupervised machine learning clustering approach to group older recipients into similar phenotypes. We evaluated the association between each cluster and graft failure, and the impact of donor quality on outcomes. Design: This is a nationally representative retrospective cohort study. Setting and Patients: Kidney transplant recipients aged ≥65 years identified from the Scientific Registry of Transplant Recipients (2000-2017). Measurements and Methods: We used unsupervised clustering to generate phenotypes using 16 recipient factors. Donor quality was evaluated using 2 approaches, including the Kidney Donor Risk Index (KDRI). All-cause graft failure was analyzed using multivariable Cox regression. Results: Overall, 16 364 patients (mean age 69 years; 38% female) were separated into 3 clusters. Cluster 1 recipients were exclusively female; cluster 2 recipients were exclusively males without diabetes; and cluster 3 recipients were males with a higher burden of comorbidities. Compared to cluster 2, the risk of graft failure was higher for cluster 3 recipients (adjusted hazard ratio [aHR] = 1.25, 95% confidence interval [CI] = 1.19-1.32). Cluster 3 recipients of a lower quality (KDRI ≥1.45) kidney had the highest risk of graft failure (aHR = 1.74, 95% CI = 1.61-1.87) relative to cluster 2 recipients of a higher quality kidney. Limitations: This study did not include an external validation cohort. The findings should be interpreted as exploratory and should not be used to inform individual risk prediction nor be applied to recipients <65 years of age. Conclusions: In a national cohort of older kidney transplant recipients, unsupervised clustering generated 3 clinically distinct recipient phenotypes. These phenotypes may aid in complementing allocation decisions, providing prognostic information, and optimizing post-transplant care for older 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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».