$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
L’état des ganglions lymphatiques est un prédicteur pronostique essentiel pour les patients ; cependant, le pronostic du carcinome colorectal à cellules en anneau (CCRS) a suscité peu d’attention. Cette étude examine la capacité prédictive pronostique des cotes logarithmiques de ganglions lymphatiques positifs (LODDS), du rapport des ganglions lymphatiques (LNR) et de la stadification pN chez les patients atteints de SRCC à l’aide de modèles d’apprentissage automatique (Random Forest, XGBoost et Neural Network) ainsi que de modèles de risque concurrents. Les données pertinentes ont été extraites de la base de données SEER (Surveillance, Epidemiology, and End Results). Pour les modèles d’apprentissage automatique, les facteurs pronostiques de survie spécifique au cancer (CSS) ont été identifiés à l’aide d’analyses de régression de Cox univariées et multivariées, suivies de l’application de trois méthodes d’apprentissage automatique - XGBoost, RF et NN - pour déterminer le système optimal de stadification des ganglions lymphatiques. Dans le modèle de risque concurrent, des analyses de risque concurrentes univariées et multivariées ont été utilisées pour identifier les facteurs pronostiques, et un nomogramme a été construit pour prédire le pronostic des patients atteints de SRCC. L’aire sous la courbe caractéristique de fonctionnement du récepteur (AUC-ROC) et les courbes d’étalonnage ont été utilisées pour évaluer les performances du modèle. Au total, 2 409 patients atteints de CCRS ont été inclus dans cette étude. Pour valider l’efficacité du modèle, une cohorte supplémentaire de 15 122 patients atteints de cancer colorectal, à l’exclusion des cas de SRCC, a été incluse pour une validation externe. Les modèles d’apprentissage automatique et le nomogramme de risque concurrent ont montré de solides performances dans la prédiction des résultats de survie. Par rapport à la stadification pN, les systèmes de stadification LODDS ont démontré une capacité de pronostic supérieure. Après évaluation, les modèles d’apprentissage automatique et les modèles de risque concurrents ont atteint d’excellentes performances prédictives caractérisées par une bonne discrimination, un bon étalonnage et une bonne interprétabilité. Nos résultats peuvent aider à éclairer la prise de décision clinique pour les patients.