Rough cubic intuitionistic fuzzy soft relation framework for risk identification and hospital selection in breast cancer treatment

Dlaczego wybór odpowiedniego szpitala bywa tak trudny

Gdy ktoś staje wobec raka piersi, lekarze muszą uwzględnić wiele niepewnych przesłanek: wielkość guza, obrazy skanów, zajęcie węzłów chłonnych, wywiad rodzinny i inne. Żadne z tych danych nie jest całkowicie jednoznaczne, a specjaliści mogą się wahać lub nie zgadzać. W artykule zaprezentowano nowe matematyczne narzędzie decyzyjne, zaprojektowane do radzenia sobie z taką niepewnością — pomaga ono klinicystom identyfikować pacjentki o wyższym ryzyku i kierować je do najbardziej odpowiedniego szpitala, jednocześnie uczciwie pokazując, co jest znane, co budzi wątpliwości, a co leży pośrodku.

Wiele odcieni „tak”, „nie” i „niepewne”

Tradycyjne modele decyzyjne często traktują informacje jako prawdziwe albo fałszywe, lub co najwyżej umieszczają je na jednej rozmytej skali od 0 do 1. Jednak rzeczywiste dane medyczne są bogatsze i bardziej złożone. Wynik badania może częściowo wspierać diagnozę, częściowo jej zaprzeczać i jednocześnie pozostawiać miejsce na wątpliwości. Ramy zaproponowane w badaniu śledzą jednocześnie cztery aspekty: jak silnie dowód wspiera twierdzenie (przynależność), jak silnie mu przeczy (nieprzynależność), ile autentycznego wahania pozostaje oraz jak szeroki zakres mogą zajmować te wartości. Zamiast upychać całą niepewność w jednej liczbie, reprezentuje ją jako małą „kostkę” danych, która uchwyca zarówno stopień, jak i rozpiętość przekonań.

Łączenie pacjentek, wyników badań i szpitali

Do tej wielowarstwowej reprezentacji niepewności autorzy dodają kolejny element: relacje miękkie (soft relations). To elastyczne powiązania pomiędzy różnymi zbiorami obiektów — na przykład między pacjentkami a czynnikami diagnostycznymi, albo między czynnikami diagnostycznymi a szpitalami. Każde powiązanie może być słabe lub silne i może różnić się w zależności od kontekstu czy eksperta. Poprzez łączenie tych powiązań z „kostkami” niepewności model może tworzyć dolne i górne „przybliżenia” ryzyka: konserwatywne oszacowanie, kto na pewno jest w grupie wysokiego ryzyka, oraz szerszą granicę obejmującą tych, którzy mogą należeć do grupy wysokiego ryzyka przy obecnych niejasnościach.

Skupienie na ryzyku raka piersi i wyborze szpitala

Aby pokazać działanie metody w praktyce, autorzy przedstawiają studium przypadku obejmujące pięć hipotetycznych pacjentek z rakiem piersi i cztery klinicznie istotne czynniki: wielkość guza, jednolitość kształtu guza na obrazach, status węzłów chłonnych oraz wywiad rodzinny. Eksperci wyrażają swoje opinie o każdej parze pacjent–czynnik za pomocą nowych kostek niepewności. Ramy następnie propagują te informacje przez relacje miękkie łączące pacjentki z szpitalami, obliczając miary odzwierciedlające zarówno dowody, jak i wahanie. W przykładzie jedna pacjentka wyraźnie wyróżnia się jako mająca najwyższy aktualny poziom ryzyka, podczas gdy wywiad rodzinny okazuje się najważniejszym pojedynczym czynnikiem przy prognozowaniu możliwych przyszłych rozwojów.

Lepsze wyniki niż starsze narzędzia decyzyjne

Zespół porównuje swoje podejście z kilkoma ugruntowanymi metodami opartymi osobno na zbiorach rozmytych, intuicyjnie rozmytych i przybliżonych. Te wcześniejsze narzędzia potrafią mierzyć częściową prawdę albo wyznaczać ostre granice, ale mają trudności z jednoczesnym obsłużeniem nakładających się niepewności, przedziałowych zakresów i wahań ekspertów. Przy użyciu tych samych danych nowe ramy generują węższe granice między grupami wysokiego i niskiego ryzyka, co oznacza mniejszą „strefę szarości”, w której decyzje są niejednoznaczne. Testy ilościowe pokazują, że metoda daje wyższe skumulowane wartości świadczące o jaśniejszych, bardziej zdecydowanych przybliżeniach, a analiza jakościowa sugeruje, że jest też bardziej czytelna przy złożonych wyborach wielokryterialnych.

Od raka piersi do szerszych zastosowań

Choć artykuł koncentruje się na ryzyku raka piersi i doborze szpitala, autorzy podkreślają, że ich ramy stanowią ogólny silnik decyzyjny dla każdej sytuacji, w której dane są niepełne, sprzeczne lub nieprecyzyjne. Polityka środowiskowa, ocena ryzyka finansowego, projektowanie inżynieryjne czy podejmowanie decyzji grupowych wśród wielu ekspertów to możliwe zastosowania. Główne przesłanie dla osób nietechnicznych brzmi: lepsze matematyczne podejście do niepewności może wspierać bardziej przejrzyste i uzasadnione wybory — jasno wskazując, które pacjentki są najbezpieczniejsze, które najbardziej zagrożone i jak bardzo możemy ufać tym ocenom, zamiast ukrywać wątpliwości za pojedynczym nadmiernie uproszczonym wynikiem.

Cytowanie: 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

Słowa kluczowe: ryzyko raka piersi, wspomaganie decyzji medycznych, modelowanie niepewności, dobór szpitala, zbiory przybliżone i rozmyte