Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
. 2025 Mar 14:12:20543581251322576.
doi: 10.1177/20543581251322576. eCollection 2025.

Using Unsupervised Clustering to Characterize Phenotypes Among Older Kidney Transplant Recipients: A Cohort Study

Sareen Singh  1 , Syed Sibte Raza Abidi  2 , Syed Asil Ali Naqvi  2 , Amanda J Vinson  3 , Thomas A A Skinner  4 , George Worthen  3 , Samina Abidi  2   5 , Kenneth A West  3 , Karthik K Tennankore  3
Affiliations

Using Unsupervised Clustering to Characterize Phenotypes Among Older Kidney Transplant Recipients: A Cohort Study

Sareen Singh et al. Can J Kidney Health Dis. .

Abstract
in English, French

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.

Contexte: Les personnes plus âgées qui reçoivent une greffe de rein présentent des résultats de santé inférieurs à ceux des receveurs plus jeunes, et cette différence peut être aggravée par les caractéristiques du donneur.

Objectif: Nous avons appliqué une approche de regroupement par apprentissage automatique non supervisé pour regrouper des receveurs âgés avec des phénotypes similaires. Nous avons évalué l’association entre les caractéristiques des groupes formés et l’échec de la greffe, et examiné l’impact de la qualité du donneur sur les résultats.

Conception: Étude rétrospective d’une cohorte nationale représentative.

Cadre et sujets de l’étude: Les receveurs d’une greffe rénale âgés de 65 ans et plus identifiés à partir du Scientific Registry of Transplant Recipients (de 2000 à 2017).

Méthodologie et mesures: Nous avons utilisé le regroupement non supervisé pour générer des phénotypes à partir de 16 facteurs liés aux receveurs. La qualité des donneurs a été évaluée par deux approches, notamment le Kidney Donor Risk Index (KDRI). La défaillance du greffon toutes causes confondues a été analysée par régression de Cox multivariée.

Résultats: Au total, 16 364 patients (âge moyen: 69 ans; 38 % de femmes) ont été séparés en trois groupes. Le groupe 1 était constitué exclusivement de femmes; le groupe 2 était constitué exclusivement d’hommes non-diabétiques; et le groupe 3 était composé d’hommes présentant un fardeau plus important de comorbidités. Comparés aux sujets du groupe 2, les receveurs du groupe 3 présentaient un risque plus élevé d’échec du greffon (risque relatif corrigé [RRc]: 1,25; IC95: 1,19-1,32). Les sujets du groupe 3 qui avaient reçu un rein de moindre qualité (KDRI ≥ 1,45) présentaient le risque le plus élevé d’échec du greffon (RRc: 1,74; IC95: 1,61-1,87) lorsque comparés aux sujets du groupe 2 qui avaient reçu un rein de meilleure qualité.

Limites: Cette étude ne comportait pas de cohorte de validation externe. Les résultats doivent être interprétés comme étant exploratoires et ne devraient pas être utilisés pour éclairer la prévision du risque individuel ni être appliqués aux receveurs âgés de moins de 65 ans.

Conclusion: Dans une cohorte nationale constituée de personnes plus âgées recevant une greffe rénale, le regroupement non supervisé a généré trois phénotypes cliniquement distincts. Ces phénotypes pourraient aider à faciliter les décisions liées à l’attribution des organes, fournir des informations pronostiques et optimiser les soins post-transplantation pour les receveurs âgés.

Keywords: clustering; graft failure; kidney transplant; machine learning; older adults.

PubMed Disclaimer

Conflict of interest statement

The author(s) declared the following potential conflicts of interest with respect to the research, authorship, and/or publication of this article: KKT has conducted advisory board groups and helped develop CME initiatives for Bayer, Otsuka, Vifor Pharmaceuticals, and Virtual Hallway, with no conflicts related to the current study. AJV has conducted advisory board groups for Paladin Labs Inc and Takeda Pharmaceuticals, with no conflicts related to the current study. All the other authors have no conflicts of interest to disclose.

Figures

Figure 1.
Figure 1.
Flow chart of kidney transplant recipients included in the study cohort.
Figure 2.
Figure 2.
Results of t-SNE mapping depicting 3 distinct clusters of older kidney transplant recipients.
Figure 3.
Figure 3.
Kaplan-Meier survival curves for time to all-cause graft failure for each recipient cluster. The log-rank P-value was < .001.
See this image and copyright information in PMC

Similar articles

See all similar articles

References

    1. Artiles A, Domínguez A, Subiela JD, et al.. Kidney transplant outcomes in elderly population: a systematic review and meta-analysis. Eur Urol Open Sci. 2023;51:13-25. doi:10.1016/j.euros.2023.02.011. - DOI - PMC - PubMed
    1. Lentine KL, Smith JM, Miller JM, et al.. OPTN/SRTR 2021 annual data report: kidney. Am J Transplant. 2023;23(2, suppl 1):S21-S120. doi:10.1016/j.ajt.2023.02.004. - DOI - PMC - PubMed
    1. Singh P, Ng YH, Unruh M. Kidney transplantation among the elderly: challenges and opportunities to improve outcomes. Adv Chronic Kidney Dis. 2016;23(1):44-50. doi:10.1053/j.ackd.2015.11.002. - DOI - PubMed
    1. Israni AK, Salkowski N, Gustafson S, et al.. New national allocation policy for deceased donor kidneys in the United States and possible effect on patient outcomes. J Am Soc Nephrol. 2014;25(8):1842-1848. doi:10.1681/ASN.2013070784. - DOI - PMC - PubMed
    1. Connor KL, O’Sullivan ED, Marson LP, Wigmore SJ, Harrison EM. The future role of machine learning in clinical transplantation. Transplantation. 2021;105(4):723-735. doi:10.1097/TP.0000000000003424. - DOI - PubMed

LinkOut - more resources