$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Stan węzłów chłonnych jest krytycznym prognostykiem dla pacjentów; jednak prognozowanie raka sygnetowokomórkowego jelita grubego (SRCC) przyciągnęło ograniczoną uwagę. W tym badaniu zbadano zdolność predykcyjną zdolności prognostycznych, logarytmicznych szans dodatnich węzłów chłonnych (LODDS), stosunku węzłów chłonnych (LNR) i stopnia zaawansowania pN u pacjentów z SRCC przy użyciu modeli uczenia maszynowego (Random Forest, XGBoost i Neural Network) wraz z konkurencyjnymi modelami ryzyka. Odpowiednie dane uzyskano z bazy danych Nadzoru, Epidemiologii i Wyników Końcowych (SEER). W przypadku modeli uczenia maszynowego czynniki prognostyczne dla przeżycia specyficznego dla raka (CSS) zostały zidentyfikowane za pomocą jednowymiarowych i wielowymiarowych analiz regresji Coxa, a następnie zastosowano trzy metody uczenia maszynowego - XGBoost, RF i NN - w celu ustalenia optymalnego systemu oceny węzłów chłonnych. W konkurencyjnym modelu ryzyka zastosowano jednoczynnikowe i wielowymiarowe konkurencyjne analizy ryzyka w celu identyfikacji czynników prognostycznych, a także skonstruowano nomogram do przewidywania rokowania pacjentów z SRCC. Obszar pod krzywą charakterystyki operacyjnej odbiornika (AUC-ROC) i krzywe kalibracyjne wykorzystano do oceny wydajności modelu. Do badania włączono łącznie 2 409 pacjentów z SRCC. Aby zweryfikować skuteczność modelu, do walidacji zewnętrznej włączono dodatkową kohortę 15 122 pacjentów z rakiem jelita grubego, z wyłączeniem przypadków SRCC. Zarówno modele uczenia maszynowego, jak i konkurujący ze sobą nomogram ryzyka wykazały się wysoką wydajnością w przewidywaniu wyników przeżycia. W porównaniu z stopniowaniem pN, systemy oceny stopnia zaawansowania LODDS wykazały się lepszymi zdolnościami prognostycznymi. Po dokonaniu oceny modele uczenia maszynowego i konkurujące ze sobą modele ryzyka osiągnęły doskonałą wydajność predykcyjną charakteryzującą się dobrą dyskryminacją, kalibracją i możliwością interpretacji. Nasze odkrycia mogą pomóc pacjentom w podejmowaniu decyzji klinicznych.