Quadro di relazioni morbide fuzzy intuizionistiche cubiche approssimate per l’identificazione del rischio e la selezione dell’ospedale nel trattamento del cancro al seno

Perché scegliere l’ospedale giusto può essere così complicato

Quando una persona affronta un tumore al seno, i medici devono valutare molti indizi incerti: dimensione del tumore, immagini di esami, coinvolgimento dei linfonodi, storia familiare e altro. Nessuno di questi elementi è perfettamente chiaro, e gli specialisti possono esitare o non essere d’accordo. Questo articolo presenta un nuovo strumento matematico per orientarsi in tale incertezza, aiutando i clinici a identificare i pazienti a rischio più elevato e ad abbinarli all’ospedale più adatto, rendendo esplicito ciò che è noto, ciò che è dubbio e ciò che sta nel mezzo.

Molte sfumature di “sì”, “no” e “non sono sicuro”

I modelli decisionali tradizionali spesso trattano l’informazione come vera o falsa, o al massimo lungo una singola scala fuzzy tra 0 e 1. Ma i dati medici reali sono più ricchi e disordinati. Un risultato può in parte sostenere una diagnosi, in parte opporvisi e lasciare comunque spazio al dubbio. Il quadro proposto in questo studio tiene conto di quattro aspetti contemporaneamente: quanto fortemente l’evidenza sostiene un’affermazione (membership), quanto fortemente la contraddice (non-membership), quanta esitazione genuina rimane e quanto ampia può essere la variazione di questi valori. Invece di comprimere tutta l’incertezza in un unico numero, la rappresenta come un piccolo “cubo” di dati che cattura sia il grado sia l’estensione della credenza.

Collegare pazienti, risultati dei test e ospedali

Oltre a questa descrizione multilivello dell’incertezza, gli autori aggiungono un altro ingrediente: le relazioni soft. Sono collegamenti flessibili tra diversi insiemi di oggetti — per esempio tra pazienti e fattori diagnostici, o tra fattori diagnostici e ospedali. Ogni collegamento può essere debole o forte e può variare a seconda del contesto o dell’esperto. Combinando questi legami con i cubi di incertezza, il modello può costruire “approssimazioni” inferiori e superiori del rischio: una stima conservativa di chi è sicuramente ad alto rischio e un confine più ampio che include chi potrebbe essere ad alto rischio date le incertezze correnti.

Concentrare l’attenzione sul rischio di cancro al seno e sulla scelta dell’ospedale

Per mostrare come funziona nella pratica, gli autori costruiscono un caso di studio con cinque pazienti ipotetici affetti da cancro al seno e quattro fattori clinicamente rilevanti: dimensione del tumore, uniformità della forma del tumore nelle immagini, stato dei linfonodi e storia familiare. Gli esperti esprimono le loro opinioni su ogni coppia paziente–fattore usando i nuovi cubi di incertezza. Il quadro poi propaga queste informazioni attraverso le relazioni soft che collegano i pazienti agli ospedali, calcolando punteggi che riflettono sia l’evidenza sia l’esitazione. Nell’esempio, un paziente emerge chiaramente con il livello di rischio attuale più elevato, mentre la storia familiare risalta come il singolo fattore più influente guardando agli sviluppi possibili.

Superare gli strumenti decisionali più datati

Il gruppo confronta il proprio approccio con diversi metodi consolidati basati su insiemi fuzzy, insiemi fuzzy intuizionistici e insiemi rough usati separatamente. Quegli strumenti più vecchi possono misurare la verità parziale o tracciare confini netti, ma faticano a gestire in modo unificato incertezze sovrapposte, intervalli e l’esitazione degli esperti. Utilizzando gli stessi dati, il nuovo quadro produce confini più stretti tra i gruppi ad alto e basso rischio, riducendo la “zona grigia” in cui le decisioni sono ambigue. I test quantitativi mostrano che il loro metodo genera punteggi cumulativi più alti che indicano approssimazioni più chiare e decisive, mentre l’analisi qualitativa suggerisce che è anche più interpretabile per scelte complesse e multicriterio.

Dal cancro al seno a decisioni più ampie nel mondo reale

Sebbene l’articolo sia incentrato sul rischio di cancro al seno e sulla selezione dell’ospedale, gli autori sottolineano che il loro quadro è un motore decisionale generale per qualsiasi situazione in cui i dati siano incompleti, conflittuali o imprecisi. Politiche ambientali, valutazione del rischio finanziario, progettazione ingegneristica e decisioni di gruppo tra più esperti sono tutte applicazioni possibili. Il messaggio principale per i non specialisti è che una gestione matematica migliore dell’incertezza può sostenere scelte più trasparenti e difendibili: evidenziando chiaramente quali pazienti sono più sicuri, quali sono più a rischio e quanto possiamo essere fiduciosi in quelle valutazioni, invece di nascondere il dubbio dietro un singolo punteggio eccessivamente semplificato.

Citazione: 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

Parole chiave: rischio cancro al seno, supporto alle decisioni mediche, modellazione dell’incertezza, selezione dell’ospedale, insiemi fuzzy rough