$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
De status van de lymfeklieren is een cruciale prognostische voorspeller voor patiënten; de prognose van colorectaal zegelringcelcarcinoom (SRCC) heeft echter beperkte aandacht gekregen. Deze studie onderzoekt het prognostische voorspellende vermogen van de log-kansen van positieve lymfeklieren (LODDS), lymfeklierratio (LNR) en pN-stadiëring bij SRCC-patiënten met behulp van machine learning-modellen (Random Forest, XGBoost en Neural Network) naast concurrerende risicomodellen. Relevante gegevens werden geëxtraheerd uit de database Surveillance, Epidemiology and End Results (SEER). Voor de machine learning-modellen werden prognostische factoren voor kankerspecifieke overleving (CSS) geïdentificeerd door middel van univariate en multivariate Cox-regressieanalyses, gevolgd door de toepassing van drie machine learning-methoden - XGBoost, RF en NN - om het optimale lymfeklierstadiëringssysteem vast te stellen. In het concurrerende risicomodel werden univariate en multivariate concurrerende risicoanalyses gebruikt om prognostische factoren te identificeren, en werd een nomogram gemaakt om de prognose van SRCC-patiënten te voorspellen. Het gebied onder de operationele karakteristiekcurve van de ontvanger (AUC-ROC) en kalibratiecurves werden gebruikt om de prestaties van het model te beoordelen. In totaal werden 2.409 SRCC-patiënten in deze studie opgenomen. Om de effectiviteit van het model te valideren, werd een extra cohort van 15.122 patiënten met colorectale kanker, exclusief SRCC-gevallen, opgenomen voor externe validatie. Zowel de machine learning-modellen als het concurrerende risiconomogram presteerden sterk bij het voorspellen van overlevingsresultaten. Vergeleken met pN-stadiëring vertoonden de LODDS-stadiëringssystemen een superieur prognostisch vermogen. Bij evaluatie bereikten machine learning-modellen en concurrerende risicomodellen uitstekende voorspellende prestaties die werden gekenmerkt door goede discriminatie, kalibratie en interpreteerbaarheid. Onze bevindingen kunnen helpen bij het informeren van klinische besluitvorming voor patiënten.