$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
מצב בלוטות הלימפה הוא מנבא פרוגנוסטי קריטי לחולים; עם זאת, הפרוגנוזה של קרצינומה של תאי טבעת חותם המעי הגס (SRCC) זכתה לתשומת לב מוגבלת. מחקר זה חוקר את יכולת החיזוי הפרוגנוסטית של סיכויי הלוג של בלוטות לימפה חיוביות (LODDS), יחס בלוטות הלימפה (LNR) ושלב pN בחולי SRCC באמצעות מודלים של למידת מכונה (Random Forest, XGBoost ו-Neural Network) לצד מודלים מתחרים של סיכונים. נתונים רלוונטיים חולצו ממסד הנתונים של מעקב, אפידמיולוגיה ותוצאות סופיות (SEER). עבור מודלים של למידת מכונה, זוהו גורמים פרוגנוסטיים להישרדות ספציפית לסרטן (CSS) באמצעות ניתוחי רגרסיה של קוקס חד-משתנים ורב-משתנים, ואחריהם יישום של שלוש שיטות למידת מכונה - XGBoost, RF ו-NN - כדי לוודא את מערכת השלבים האופטימלית של בלוטות הלימפה. במודל הסיכון המתחרה, נעשה שימוש בניתוחי סיכונים מתחרים חד-משתנים ורב-משתנים כדי לזהות גורמים פרוגנוסטיים, ונבנתה נומוגרמה כדי לחזות את הפרוגנוזה של חולי SRCC. האזור שמתחת לעקומת מאפיין ההפעלה של המקלט (AUC-ROC) ועקומות הכיול נוצלו כדי להעריך את ביצועי המודל. בסך הכל נכללו במחקר זה 2,409 חולי SRCC. כדי לאמת את יעילות המודל, קבוצה נוספת של 15,122 חולי סרטן המעי הגס, לא כולל מקרי SRCC, נכללה לאימות חיצוני. גם המודלים של למידת המכונה וגם נומוגרמת הסיכון המתחרה הציגו ביצועים חזקים בחיזוי תוצאות ההישרדות. בהשוואה לבימוי pN, מערכות ההיערכות של LODDS הפגינו יכולת פרוגנוסטית מעולה. לאחר ההערכה, מודלים של למידת מכונה ומודלים של סיכונים מתחרים השיגו ביצועי חיזוי מצוינים המאופיינים באבחנה, כיול ופרשנות טובים. הממצאים שלנו עשויים לסייע בקבלת החלטות קליניות מושכלות עבור מטופלים.