$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
El estado de los ganglios linfáticos es un predictor pronóstico crítico para los pacientes; sin embargo, el pronóstico del carcinoma colorrectal de células en anillo de sello (SRCC, por sus siglas en inglés) ha recibido poca atención. Este estudio investiga la capacidad predictiva pronóstica de las probabilidades logarítmicas de ganglios linfáticos positivos (LODDS), la proporción de ganglios linfáticos (LNR) y la estadificación de pN en pacientes con SRCC utilizando modelos de aprendizaje automático (Random Forest, XGBoost y Neural Network) junto con modelos de riesgo competitivos. Los datos relevantes se extrajeron de la base de datos Surveillance, Epidemiology, and End Results (SEER). Para los modelos de aprendizaje automático, se identificaron factores pronósticos para la supervivencia específica del cáncer (CSS) a través de análisis de regresión de Cox univariados y multivariados, seguidos de la aplicación de tres métodos de aprendizaje automático (XGBoost, RF y NN) para determinar el sistema óptimo de estadificación de los ganglios linfáticos. En el modelo de riesgo competitivo, se emplearon análisis de riesgo competitivos univariados y multivariados para identificar factores pronósticos, y se construyó un nomograma para predecir el pronóstico de los pacientes con SRCC. Se utilizaron el área bajo la curva de características de operación del receptor (AUC-ROC) y las curvas de calibración para evaluar el rendimiento del modelo. Un total de 2.409 pacientes con SRCC fueron incluidos en este estudio. Para validar la efectividad del modelo, se incluyó una cohorte adicional de 15.122 pacientes con cáncer colorrectal, excluyendo los casos de SRCC, para su validación externa. Tanto los modelos de aprendizaje automático como el nomograma de riesgo de la competencia mostraron un sólido rendimiento en la predicción de los resultados de supervivencia. En comparación con la estadificación de pN, los sistemas de estadificación LODDS demostraron una capacidad pronóstica superior. Tras la evaluación, los modelos de aprendizaje automático y los modelos de riesgo de la competencia lograron un excelente rendimiento predictivo caracterizado por una buena discriminación, calibración e interpretabilidad. Nuestros hallazgos pueden ayudar a informar la toma de decisiones clínicas para los pacientes.