$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
O status dos linfonodos é um preditor prognóstico crítico para os pacientes; no entanto, o prognóstico do carcinoma colorretal de células em anel de sinete (SRCC) tem recebido atenção limitada. Este estudo investiga a capacidade preditiva prognóstica das chances logarítmicas de linfonodos positivos (LODDS), razão linfonodal (LNR) e estadiamento pN em pacientes com SRCC usando modelos de aprendizado de máquina (Random Forest, XGBoost e Neural Network) juntamente com modelos de risco concorrentes. Os dados relevantes foram extraídos do banco de dados Surveillance, Epidemiology, and End Results (SEER). Para os modelos de aprendizado de máquina, os fatores prognósticos para a sobrevida específica do câncer (CSS) foram identificados por meio de análises de regressão de Cox univariadas e multivariadas, seguidas pela aplicação de três métodos de aprendizado de máquina - XGBoost, RF e NN - para determinar o sistema ideal de estadiamento linfonodal. No modelo de risco competitivo, análises de risco competitivas univariadas e multivariadas foram empregadas para identificar fatores prognósticos, e um nomograma foi construído para prever o prognóstico de pacientes com CCRE. A área sob a curva característica de operação do receptor (AUC-ROC) e as curvas de calibração foram utilizadas para avaliar o desempenho do modelo. Um total de 2.409 pacientes com CEC foram incluídos neste estudo. Para validar a eficácia do modelo, uma coorte adicional de 15.122 pacientes com câncer colorretal, excluindo casos de SRCC, foi incluída para validação externa. Tanto os modelos de aprendizado de máquina quanto o nomograma de risco concorrente exibiram forte desempenho na previsão de resultados de sobrevida. Em comparação com o estadiamento pN, os sistemas de estadiamento LODDS demonstraram capacidade prognóstica superior. Após a avaliação, os modelos de aprendizado de máquina e os modelos de risco concorrentes alcançaram excelente desempenho preditivo caracterizado por boa discriminação, calibração e interpretabilidade. Nossos achados podem ajudar a informar a tomada de decisão clínica para os pacientes.