$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Состояние лимфатических узлов является критическим прогностическим предиктором для пациентов; тем не менее, прогноз колоректальной кольцевой карциномы (SRCC) привлек ограниченное внимание. В этом исследовании изучается прогностическая прогностическая способность логарифмических шансов положительных лимфатических узлов (LODDS), соотношения лимфатических узлов (LNR) и стадирования pN у пациентов с SRCC с использованием моделей машинного обучения (Random Forest, XGBoost и Neural Network) наряду с конкурирующими моделями риска. Соответствующие данные были извлечены из базы данных Surveillance, Epidemiology, and End Results (SEER). Для моделей машинного обучения были определены прогностические факторы для специфической для рака выживаемости (CSS) с помощью одномерного и многомерного регрессионного анализа Кокса с последующим применением трех методов машинного обучения — XGBoost, RF и NN — для определения оптимальной системы стадирования лимфатических узлов. В конкурирующей модели риска для выявления прогностических факторов были использованы одномерный и многомерный конкурирующие анализы риска, а также была построена номограмма для прогнозирования прогноза пациентов с SRCC. Для оценки характеристик модели использовалась область под кривой рабочих характеристик приемника (AUC-ROC) и калибровочные кривые. Всего в исследование было включено 2409 пациентов с SRCC. Для подтверждения эффективности модели была включена дополнительная когорта из 15 122 пациентов с колоректальным раком, за исключением случаев SRCC, для внешней валидации. Как модели машинного обучения, так и конкурирующая номограмма риска продемонстрировали высокую производительность в прогнозировании результатов выживания. По сравнению со стадией pN, системы стадирования LODDS продемонстрировали превосходные прогностические возможности. После оценки модели машинного обучения и конкурирующие модели рисков показали превосходную прогностическую производительность, характеризующуюся хорошей дискриминацией, калибровкой и интерпретируемостью. Наши результаты могут помочь в принятии клинических решений для пациентов.