$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Lenf nodu durumu hastalar için kritik bir prognostik belirleyicidir; bununla birlikte, kolorektal taşlı yüzük hücreli karsinomun (SRCC) prognozu sınırlı dikkat çekmiştir. Bu çalışma, rakip risk modellerinin yanı sıra makine öğrenimi modelleri (Random Forest, XGBoost ve Neural Network) kullanarak SRCC hastalarında pozitif lenf nodlarının log oranları (LODDS), lenf nodu oranı (LNR) ve pN evrelemesinin prognostik prediktif kapasitesini araştırmaktadır. İlgili veriler Sürveyans, Epidemiyoloji ve Son Sonuçlar (SEER) veri tabanından çıkarıldı. Makine öğrenimi modelleri için, kansere özgü sağkalım (CSS) için prognostik faktörler, tek değişkenli ve çok değişkenli Cox regresyon analizleri yoluyla belirlendi ve ardından optimal lenf nodu evreleme sistemini belirlemek için üç makine öğrenimi yönteminin (XGBoost, RF ve NN) uygulanması izledi. Rakip risk modelinde, prognostik faktörleri belirlemek için tek değişkenli ve çok değişkenli rakip risk analizleri kullanıldı ve SRCC hastalarının prognozunu tahmin etmek için bir nomogram oluşturuldu. Modelin performansını değerlendirmek için alıcı çalışma karakteristik eğrisi (AUC-ROC) ve kalibrasyon eğrileri altındaki alan kullanılmıştır. Bu çalışmaya toplam 2.409 SRCC hastası dahil edildi. Modelin etkinliğini doğrulamak için, SRCC vakaları hariç, 15.122 kolorektal kanser hastasından oluşan ek bir kohort, harici doğrulama için dahil edildi. Hem makine öğrenimi modelleri hem de rekabet eden risk nomogramı, hayatta kalma sonuçlarını tahmin etmede güçlü performans sergiledi. pN evrelemesi ile karşılaştırıldığında, LODDS evreleme sistemleri üstün prognostik yetenek göstermiştir. Değerlendirmenin ardından, makine öğrenimi modelleri ve rakip risk modelleri, iyi ayrımcılık, kalibrasyon ve yorumlanabilirlik ile karakterize edilen mükemmel tahmin performansı elde etti. Bulgularımız, hastalar için klinik karar verme sürecini bilgilendirmede yardımcı olabilir.