Ruw kubisch intuitionistisch vaag-zacht relatiekader voor risicobepaling en ziekenhuiskeuze bij borstkankerbehandeling

Waarom het kiezen van het juiste ziekenhuis zo lastig kan zijn

Wanneer iemand met borstkanker wordt geconfronteerd, moeten artsen vele onzekere aanwijzingen afwegen: tumorgrootte, scanbeelden, lymfeklierbetrokkenheid, familiegeschiedenis en meer. Geen van deze informatie is perfect duidelijk, en specialisten kunnen aarzelen of van mening verschillen. Dit artikel presenteert een nieuw wiskundig besluitvormingsinstrument dat is ontworpen om die onzekerheid te navigeren, waarbij het clinici helpt hogere-risicopatiënten te identificeren en hen te koppelen aan het meest geschikte ziekenhuis, terwijl het eerlijk aangeeft wat bekend is, wat twijfelachtig is en wat ertussenin ligt.

Veel schakeringen van "ja", "nee" en "weet niet"

Traditionele beslismodellen behandelen informatie vaak als waar of onwaar, of hooguit ergens langs één vage schaal tussen 0 en 1. Maar echte medische gegevens zijn rijker en rommeliger. Een testresultaat kan deels een diagnose ondersteunen, deels ertegen pleiten en nog steeds ruimte laten voor twijfel. Het kader in deze studie houdt tegelijkertijd vier aspecten bij: hoe sterk bewijs een bewering ondersteunt (lidmaatschap), hoe sterk het ertegen spreekt (niet-lidmaatschap), hoeveel oprechte aarzeling erover blijft, en hoe breed een bereik deze waarden kunnen beslaan. In plaats van alle onzekerheid in één getal te persen, stelt het die voor als een klein data “kubusje” dat zowel graad als spreiding van overtuiging vastlegt.

Het koppelen van patiënten, testresultaten en ziekenhuizen

Bovenop deze gelaagde beschrijving van onzekerheid voegen de auteurs een andere component toe: zachte relaties. Dit zijn flexibele koppelingen tussen verschillende verzamelingen objecten — bijvoorbeeld tussen patiënten en diagnostische factoren, of tussen diagnostische factoren en ziekenhuizen. Elke koppeling kan zwak of sterk zijn en kan variëren per setting of deskundige. Door deze koppelingen te combineren met de kubische onzekerheidskubussen kan het model lagere en hogere “benaderingen” van risico vormen: een conservatieve schatting van wie zeker hoog risico heeft, en een bredere grens die degenen omvat die mogelijk hoog risico hebben gezien de huidige twijfels.

Inzoomen op borstkankerrisico en ziekenhuiskeuze

Om te laten zien hoe dit in de praktijk werkt, bouwen de auteurs een casestudie met vijf hypothetische borstkankerpatiënten en vier klinisch belangrijke factoren: tumorgrootte, uniformiteit van tumorvorm op beelden, lymfeklierstatus en familiegeschiedenis. Deskundigen geven hun oordeel over elk patiënt–factor-paar met behulp van de nieuwe onzekerheidskubussen. Het kader verspreidt deze informatie vervolgens via de zachte relaties die patiënten met ziekenhuizen verbinden en berekent scores die zowel bewijs als aarzeling weerspiegelen. In het voorbeeld komt één patiënt duidelijk naar voren als degene met het hoogste huidige risiconiveau, terwijl familiegeschiedenis eruit springt als de enkel meest invloedrijke factor bij mogelijke toekomstige ontwikkelingen.

Beter dan oudere besluitvormingsinstrumenten

Het team vergelijkt hun aanpak met verschillende gevestigde methoden op basis van vage verzamelingen, intuitionistische vage verzamelingen en ruwe verzamelingen die afzonderlijk worden gebruikt. Die eerdere instrumenten kunnen ofwel gedeeltelijke waarheid meten, of scherpe grenzen trekken, maar ze hebben moeite met het in één keer afhandelen van overlappende onzekerheden, intervalbereiken en deskundige aarzeling. Met dezelfde gegevens produceert het nieuwe kader nauwere grenzen tussen hoge- en lage-risicogroepen, wat betekent dat er minder “grijze zone” overblijft waar beslissingen ambigu zijn. Kwantitatieve tests tonen aan dat hun methode hogere cumulatieve scores oplevert die duiden op duidelijkere, beslissendere benaderingen, terwijl kwalitatieve analyse suggereert dat het ook beter interpreteerbaar is voor complexe, multi-criteria keuzes.

Van borstkanker naar bredere beslissingen in de praktijk

Hoewel het artikel zich richt op borstkankerrisico en ziekenhuiskeuze, benadrukken de auteurs dat hun kader een algemeen besluitvormingsinstrument is voor elke situatie waarin gegevens onvolledig, tegenstrijdig of onnauwkeurig zijn. Milieubeleid, financiële risicoanalyse, technisch ontwerp en groepsbesluitvorming tussen meerdere deskundigen zijn allemaal mogelijke toepassingen. De belangrijkste boodschap voor niet-specialisten is dat beter wiskundig omgaan met onzekerheid kan leiden tot transparantere en beter te verdedigen keuzes: duidelijk aangeven welke patiënten het veiligst zijn, welke het meest risico lopen en hoe zeker we moeten zijn over die oordelen, in plaats van twijfel te verbergen achter één te simplistisch cijfer.

Bronvermelding: 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

Trefwoorden: borstkankerrisico, medische besluitvorming ondersteuning, onzekerheidsmodellering, ziekenhuiskeuze, vage-ruwe verzamelingen