Rauh-kubisches intuitionistisches fuzzy-soft-Beziehungsrahmenwerk zur Risikoerkennung und Krankenhausauswahl bei der Brustkrebsbehandlung

Warum die Wahl des richtigen Krankenhauses so schwierig sein kann

Wenn jemand vor Brustkrebs steht, müssen Ärztinnen und Ärzte viele unsichere Hinweise gegeneinander abwägen: Tumorgröße, Bildbefunde, Lymphknotenbeteiligung, Familienanamnese und mehr. Keine dieser Informationen ist perfekt eindeutig, und Fachleute können zögern oder unterschiedlicher Meinung sein. Dieses Papier stellt ein neues mathematisches Entscheidungswerkzeug vor, das dabei hilft, mit dieser Unsicherheit umzugehen, Klinikerinnen und Kliniker bei der Identifizierung von Hochrisikopatientinnen zu unterstützen und sie dem am besten geeigneten Krankenhaus zuzuordnen, wobei es transparent macht, was bekannt ist, was zweifelhaft ist und was dazwischen liegt.

Viele Abstufungen von „ja“, „nein“ und „nicht sicher“

Traditionelle Entscheidungsmodelle behandeln Informationen oft als entweder wahr oder falsch, oder bestenfalls entlang einer einzigen Fuzzy-Skala zwischen 0 und 1. Reale medizinische Daten sind jedoch reichhaltiger und unordentlicher. Ein Testergebnis kann eine Diagnose teilweise stützen, teilweise dagegen sprechen und dennoch Raum für Zweifel lassen. Das in dieser Studie vorgestellte Rahmenwerk erfasst gleichzeitig vier Aspekte: wie stark ein Befund eine Aussage unterstützt (Mitgliedschaft), wie stark er dagegen spricht (Nicht-Mitgliedschaft), wie viel echte Unsicherheit verbleibt, und wie breit die Spanne dieser Werte sein kann. Anstatt alle Unsicherheit in eine Zahl zu pressen, stellt es sie als einen kleinen Daten‑„Würfel“ dar, der sowohl Grad als auch Streuung des Glaubens erfasst.

Verknüpfung von Patientinnen, Testergebnissen und Krankenhäusern

Zusätzlich zu dieser mehrschichtigen Beschreibung von Unsicherheit fügen die Autorinnen und Autoren eine weitere Zutat hinzu: Soft-Relationen. Dabei handelt es sich um flexible Verbindungen zwischen verschiedenen Objektmengen – zum Beispiel zwischen Patientinnen und diagnostischen Faktoren oder zwischen diagnostischen Faktoren und Krankenhäusern. Jede Verbindung kann schwach oder stark sein und zwischen verschiedenen Settings oder Expertinnen und Experten variieren. Durch die Kombination dieser Verknüpfungen mit den kubischen Unsicherheitswürfeln kann das Modell untere und obere „Approximationen“ des Risikos bilden: eine konservative Schätzung, wer definitiv Hochrisiko ist, und eine breitere Grenze, die diejenigen einschließt, die angesichts der aktuellen Zweifel möglicherweise Hochrisiko sind.

Fokussierung auf Brustkrebsrisiko und Krankenhauswahl

Um zu zeigen, wie das in der Praxis funktioniert, erstellen die Autorinnen und Autoren eine Fallstudie mit fünf hypothetischen Brustkrebspatientinnen und vier klinisch wichtigen Faktoren: Tumorgröße, Gleichförmigkeit der Tumorform in Bildern, Lymphknotenstatus und Familienanamnese. Expertinnen und Experten geben ihre Einschätzungen zu jedem Patienten‑Faktor‑Paar mithilfe der neuen Unsicherheitswürfel ab. Das Rahmenwerk überträgt diese Informationen dann über die Soft-Relationen, die Patientinnen mit Krankenhäusern verbinden, und berechnet Werte, die sowohl Belege als auch Unsicherheit widerspiegeln. Im Beispiel tritt eine Patientin klar als diejenige mit dem höchsten aktuellen Risikoniveau hervor, während die Familienanamnese als der einzelne einflussreichste Faktor für mögliche zukünftige Entwicklungen hervorsticht.

Leistungsstärker als ältere Entscheidungswerkzeuge

Das Team vergleicht seinen Ansatz mit mehreren etablierten Methoden auf Basis von Fuzzy-Mengen, intuitionistischen Fuzzy-Mengen und Rough-Sets, die separat verwendet werden. Diese früheren Werkzeuge können entweder partielle Wahrheit messen oder scharfe Grenzen ziehen, haben aber Schwierigkeiten, überlappende Unsicherheiten, Intervallbereiche und Expertenunsicherheit einheitlich zu behandeln. Mit denselben Daten liefert das neue Rahmenwerk engere Grenzen zwischen Hoch‑ und Niedrigrisikogruppen, was weniger „Grauzone“ bedeutet, in der Entscheidungen unklar sind. Quantitative Tests zeigen, dass ihre Methode höhere kumulative Werte ergibt, die klarere, entschlossenere Approximationen anzeigen, während qualitative Analysen darauf hindeuten, dass sie für komplexe, multi‑kriterielle Entscheidungen auch besser interpretierbar ist.

Von Brustkrebs zu breiteren realen Entscheidungen

Obwohl das Papier sich auf Brustkrebsrisiko und Krankenhausauswahl konzentriert, betonen die Autorinnen und Autoren, dass ihr Rahmenwerk eine allgemeine Entscheidungsmaschine für jede Situation ist, in der Daten unvollständig, widersprüchlich oder unpräzise sind. Umweltpolitik, Finanzrisikobewertung, Ingenieurwesen und Gruppenentscheidungen mehrerer Expertinnen und Experten sind mögliche Anwendungen. Die Kernbotschaft für Nicht‑Fachleute lautet, dass eine bessere mathematische Behandlung von Unsicherheit transparentere und besser begründbare Entscheidungen unterstützen kann: deutlich aufzuzeigen, welche Patientinnen am sichersten sind, welche am stärksten gefährdet sind und wie sicher wir in diesen Einschätzungen sein sollten, statt Zweifel hinter einer einzigen vereinfachten Kennzahl zu verbergen.

Zitation: Bashir, S., Shabir, M., Bibi, A. et al. Rough cubic intuitionistic fuzzy soft relation framework for risk identification and hospital selection in breast cancer treatment. Sci Rep 16, 9141 (2026). https://doi.org/10.1038/s41598-026-35732-x

Schlüsselwörter: Brustkrebsrisiko, medizinische Entscheidungsunterstützung, Unsicherheitsmodellierung, Krankenhausauswahl, fuzzy-rough-Mengen