Marco de relación suave difusa intuicionista cúbica y aproximación rough para la identificación de riesgos y la selección de hospital en el tratamiento del cáncer de mama

Por qué elegir el hospital adecuado puede ser tan complicado

Cuando una persona enfrenta un cáncer de mama, los médicos deben sopesar muchas pistas inciertas: tamaño del tumor, imágenes de exploraciones, afectación de ganglios linfáticos, antecedentes familiares y más. Ninguna de estas piezas de información es perfectamente clara, y los especialistas pueden dudar o discrepar. Este artículo presenta una nueva herramienta matemática de decisión diseñada para navegar esa incertidumbre, ayudando a los clínicos a identificar a los pacientes de mayor riesgo y a asignarlos al hospital más adecuado, al mismo tiempo que muestra con honestidad lo que se conoce, lo que es dudoso y lo que queda en el intermedio.

Muchas tonalidades de “sí”, “no” y “no estoy seguro”

Los modelos de decisión tradicionales suelen tratar la información como verdadera o falsa, o como máximo a lo largo de una única escala difusa entre 0 y 1. Pero los datos médicos reales son más ricos y desordenados. Un resultado de prueba puede apoyar parcialmente un diagnóstico, argumentar en su contra en parte y aún dejar espacio para la duda. El marco de este estudio mantiene cuatro aspectos a la vez: la fuerza con la que la evidencia apoya una afirmación (pertenencia), la fuerza con la que se opone a ella (no pertenencia), cuánta vacilación genuina queda, y qué amplitud puede abarcar ese conjunto de valores. En lugar de comprimir toda la incertidumbre en un número, la representa como un pequeño “cubo” de datos que captura tanto el grado como la extensión de la creencia.

Vinculando pacientes, resultados de pruebas y hospitales

Sobre esta descripción multinivel de la incertidumbre, los autores añaden otro ingrediente: relaciones suaves. Son vínculos flexibles entre diferentes conjuntos de objetos —por ejemplo, entre pacientes y factores diagnósticos, o entre factores diagnósticos y hospitales. Cada vínculo puede ser débil o fuerte, y variar según el contexto o el experto. Al combinar estos enlaces con los cubos de incertidumbre cúbicos, el modelo puede formar “aproximaciones” inferior y superior del riesgo: una estimación conservadora de quién es definitivamente de alto riesgo y un límite más amplio que incluye a quienes podrían ser de alto riesgo dadas las dudas actuales.

Acercándose al riesgo de cáncer de mama y a la elección hospitalaria

Para demostrar cómo funciona en la práctica, los autores construyen un estudio de caso con cinco pacientes hipotéticos de cáncer de mama y cuatro factores clínicamente relevantes: tamaño del tumor, uniformidad de la forma tumoral en las imágenes, estado de los ganglios linfáticos y antecedentes familiares. Los expertos expresan sus opiniones sobre cada par paciente-factor usando los nuevos cubos de incertidumbre. El marco luego propaga esta información a través de las relaciones suaves que conectan pacientes con hospitales, calculando puntuaciones que reflejan tanto la evidencia como la vacilación. En el ejemplo, un paciente emerge claramente con el nivel de riesgo actual más alto, mientras que los antecedentes familiares destacan como el factor único más influyente al considerar posibles desarrollos futuros.

Superando a herramientas de decisión más antiguas

El equipo compara su enfoque con varios métodos establecidos basados en conjuntos difusos, conjuntos difusos intuicionistas y conjuntos rough usados por separado. Esas herramientas anteriores pueden medir la verdad parcial o trazar límites nítidos, pero les cuesta manejar de forma unificada incertidumbres solapadas, rangos intervalares y la vacilación experta. Usando los mismos datos, el nuevo marco produce límites más ajustados entre grupos de alto y bajo riesgo, lo que supone una zona gris menor donde las decisiones son ambiguas. Las pruebas cuantitativas muestran que su método ofrece puntuaciones acumuladas más altas que indican aproximaciones más claras y decisivas, mientras que el análisis cualitativo sugiere que también es más interpretable para elecciones complejas con múltiples criterios.

Del cáncer de mama a decisiones reales más amplias

Aunque el artículo se centra en el riesgo de cáncer de mama y la selección de hospital, los autores enfatizan que su marco es un motor de decisión general para cualquier situación en la que los datos sean incompletos, conflictivos o imprecisos. Política ambiental, evaluación de riesgo financiero, diseño de ingeniería y toma de decisiones grupales entre múltiples expertos son aplicaciones posibles. El mensaje principal para no especialistas es que un mejor tratamiento matemático de la incertidumbre puede apoyar elecciones más transparentes y defendibles: destacando con claridad qué pacientes están más seguros, cuáles tienen mayor riesgo y cuánta confianza deberíamos tener en esas evaluaciones, en lugar de enmascarar la duda tras una única puntuación simplificada en exceso.

Cita: 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

Palabras clave: riesgo de cáncer de mama, soporte a la decisión médica, modelado de la incertidumbre, selección de hospital, conjuntos difusos rough