Cadre relationnel flou-intuitionniste cubique grossier pour l’identification des risques et la sélection d’hôpitaux dans le traitement du cancer du sein

Pourquoi choisir le bon hôpital peut être si délicat

Lorsqu’une personne est confrontée à un cancer du sein, les médecins doivent prendre en compte de nombreux indices incertains : taille de la tumeur, images de scanner, atteinte des ganglions lymphatiques, antécédents familiaux, et plus encore. Aucune de ces informations n’est parfaitement claire, et les spécialistes peuvent hésiter ou diverger. Cet article présente un nouvel outil mathématique de décision conçu pour naviguer dans cette incertitude, aidant les cliniciens à identifier les patients à risque plus élevé et à les orienter vers l’hôpital le plus adapté, tout en restant transparent sur ce qui est connu, ce qui est douteux et ce qui se situe entre les deux.

De nombreuses nuances de « oui », « non » et « pas sûr »

Les modèles de décision traditionnels traitent souvent l’information comme vraie ou fausse, ou au mieux sur une seule échelle floue entre 0 et 1. Mais les données médicales réelles sont plus riches et plus désordonnées. Un résultat de test peut partiellement soutenir un diagnostic, partiellement s’y opposer, et laisser néanmoins une marge de doute. Le cadre présenté ici suit simultanément quatre aspects : à quel point une preuve soutient une affirmation (appartenance), à quel point elle s’y oppose (non-appartenance), le degré d’hésitation réel qui subsiste, et l’étendue possible de ces valeurs. Plutôt que de comprimer toute l’incertitude en un seul nombre, il la représente par un petit « cube » de données qui capture à la fois le degré et l’étendue de la croyance.

Lier patients, résultats de tests et hôpitaux

En plus de cette description multi‑couche de l’incertitude, les auteurs ajoutent un autre ingrédient : les relations souples (soft relations). Ce sont des liens flexibles entre différents ensembles d’objets — par exemple entre patients et facteurs diagnostiques, ou entre facteurs diagnostiques et hôpitaux. Chaque lien peut être faible ou fort, et varier selon le contexte ou l’expert. En combinant ces liens avec les cubes d’incertitude cubiques, le modèle peut former des « approximations » inférieure et supérieure du risque : une estimation prudente de qui est définitivement à haut risque, et une frontière plus large qui inclut ceux qui pourraient être à haut risque compte tenu des doutes actuels.

Se concentrer sur le risque du cancer du sein et le choix d’hôpital

Pour montrer le fonctionnement en pratique, les auteurs construisent une étude de cas impliquant cinq patientes hypothétiques et quatre facteurs cliniquement importants : taille de la tumeur, uniformité de la forme tumorale sur les images, statut des ganglions lymphatiques et antécédents familiaux. Les experts expriment leur opinion sur chaque paire patient‑facteur en utilisant les nouveaux cubes d’incertitude. Le cadre propage ensuite ces informations à travers les relations souples qui relient les patients aux hôpitaux, calculant des scores qui reflètent à la fois les preuves et l’hésitation. Dans l’exemple, une patiente apparaît clairement comme ayant le niveau de risque actuel le plus élevé, tandis que les antécédents familiaux se distinguent comme le facteur unique le plus influent en regard des développements possibles.

Des performances supérieures aux outils décisionnels plus anciens

L’équipe compare leur approche à plusieurs méthodes établies basées sur les ensembles flous, les ensembles flou‑intuitionnistes et les ensembles rough utilisés séparément. Ces outils antérieurs peuvent soit mesurer la vérité partielle, soit tracer des frontières nettes, mais ils peinent à gérer de manière unifiée les incertitudes qui se chevauchent, les intervalles et l’hésitation des experts. En utilisant les mêmes données, le nouveau cadre produit des frontières plus nettes entre groupes à haut et faible risque, ce qui réduit la « zone grise » où les décisions sont ambiguës. Des tests quantitatifs montrent que leur méthode fournit des scores cumulatifs plus élevés indiquant des approximations plus claires et plus décisives, tandis que l’analyse qualitative suggère qu’elle est aussi plus interprétable pour des choix complexes à critères multiples.

Du cancer du sein aux décisions réelles plus larges

Bien que l’article se concentre sur le risque de cancer du sein et la sélection d’hôpitaux, les auteurs soulignent que leur cadre est un moteur décisionnel général pour toute situation où les données sont incomplètes, conflictuelles ou imprécises. Politique environnementale, évaluation du risque financier, conception en ingénierie et prise de décision collective entre plusieurs experts sont autant d’applications possibles. Le message principal pour le grand public est que la meilleure gestion mathématique de l’incertitude peut supporter des choix plus transparents et défendables : en mettant clairement en évidence quelles patientes sont les plus sûres, lesquelles sont les plus à risque, et avec quel degré de confiance nous pouvons faire ces évaluations, plutôt que de masquer le doute derrière un score simplifié unique.

Citation: 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

Mots-clés: risque de cancer du sein, support décisionnel médical, modélisation de l’incertitude, sélection d’hôpital, ensembles flous-rough