$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Lo stato dei linfonodi è un predittore prognostico critico per i pazienti; tuttavia, la prognosi del carcinoma a cellule con anello con castone del colon-retto (SRCC) ha raccolto un'attenzione limitata. Questo studio indaga la capacità predittiva prognostica delle probabilità logaritmiche dei linfonodi positivi (LODDS), del rapporto linfonodale (LNR) e della stadiazione pN nei pazienti con SRCC utilizzando modelli di apprendimento automatico (Random Forest, XGBoost e Neural Network) insieme a modelli di rischio concorrenti. I dati rilevanti sono stati estratti dal database Surveillance, Epidemiology, and End Results (SEER). Per i modelli di apprendimento automatico, i fattori prognostici per la sopravvivenza specifica per il cancro (CSS) sono stati identificati attraverso analisi di regressione di Cox univariate e multivariate, seguite dall'applicazione di tre metodi di apprendimento automatico - XGBoost, RF e NN - per accertare il sistema di stadiazione linfonodale ottimale. Nel modello di rischio concorrente, sono state impiegate analisi di rischio concorrenti univariate e multivariate per identificare i fattori prognostici ed è stato costruito un nomogramma per prevedere la prognosi dei pazienti con SRCC. L'area sotto la curva caratteristica operativa del ricevitore (AUC-ROC) e le curve di calibrazione sono state utilizzate per valutare le prestazioni del modello. In questo studio sono stati inclusi un totale di 2.409 pazienti con SRCC. Per convalidare l'efficacia del modello, è stata inclusa un'ulteriore coorte di 15.122 pazienti con cancro del colon-retto, esclusi i casi di SRCC, per la convalida esterna. Sia i modelli di apprendimento automatico che il nomogramma di rischio concorrente hanno mostrato ottime prestazioni nel prevedere gli esiti di sopravvivenza. Rispetto alla stadiazione pN, i sistemi di stadiazione LODDS hanno dimostrato una capacità prognostica superiore. Dopo la valutazione, i modelli di apprendimento automatico e i modelli di rischio concorrenti hanno ottenuto eccellenti prestazioni predittive caratterizzate da una buona discriminazione, calibrazione e interpretabilità. I nostri risultati possono aiutare a informare il processo decisionale clinico per i pazienti.