Estrutura de relação suave bayesiana cúbica-intuicionista aproximada para identificação de risco e seleção de hospital no tratamento do câncer de mama

Por que escolher o hospital certo pode ser tão complicado

Quando alguém enfrenta câncer de mama, os médicos precisam ponderar muitas pistas incertas: tamanho do tumor, imagens de exames, comprometimento de linfonodos, histórico familiar e mais. Nenhuma dessas informações é perfeitamente clara, e os especialistas podem hesitar ou discordar. Este artigo apresenta uma nova ferramenta matemática de decisão projetada para navegar nessa incerteza, ajudando os clínicos a identificar pacientes de maior risco e a encaminhá-los ao hospital mais adequado, ao mesmo tempo em que é transparente sobre o que se sabe, o que é duvidoso e o que fica entre esses extremos.

Muitas nuances de “sim”, “não” e “não tenho certeza”

Modelos tradicionais de decisão frequentemente tratam a informação como verdadeira ou falsa, ou no máximo em algum ponto de uma única escala fuzzy entre 0 e 1. Mas os dados médicos reais são mais ricos e desordenados. Um resultado de exame pode em parte apoiar um diagnóstico, em parte argumentar contra ele e ainda deixar espaço para dúvida. A estrutura deste estudo registra quatro aspectos ao mesmo tempo: com que intensidade a evidência apoia uma afirmação (membro), com que intensidade ela se opõe a ela (não-membro), quanta hesitação genuína permanece e quão ampla pode ser a faixa desses valores. Em vez de comprimir toda a incerteza em um número, ela a representa como um pequeno “cubo” de dados que captura tanto o grau quanto a amplitude da crença.

Ligando pacientes, resultados de exames e hospitais

Além dessa descrição em múltiplas camadas da incerteza, os autores adicionam outro ingrediente: relações suaves. São vínculos flexíveis entre diferentes conjuntos de objetos — por exemplo, entre pacientes e fatores diagnósticos, ou entre fatores diagnósticos e hospitais. Cada ligação pode ser fraca ou forte e variar de um contexto ou especialista para outro. Ao combinar esses vínculos com os cubos cúbicos de incerteza, o modelo pode formar “aproximações” inferiores e superiores do risco: uma estimativa conservadora de quem é definitivamente de alto risco e um limite mais amplo que inclui aqueles que podem ser de alto risco dadas as dúvidas atuais.

Focalizando no risco de câncer de mama e na escolha do hospital

Para demonstrar como isso funciona na prática, os autores constroem um estudo de caso envolvendo cinco pacientes hipotéticos com câncer de mama e quatro fatores clinicamente importantes: tamanho do tumor, uniformidade da forma do tumor em imagens, status de linfonodos e histórico familiar. Especialistas expressam suas opiniões sobre cada par paciente-fator usando os novos cubos de incerteza. A estrutura então propaga essa informação pelas relações suaves que conectam pacientes a hospitais, calculando pontuações que refletem tanto a evidência quanto a hesitação. No exemplo, um paciente surge claramente como tendo o nível de risco atual mais alto, enquanto o histórico familiar se destaca como o fator isolado de maior influência ao considerar desenvolvimentos futuros.

Superando ferramentas de decisão mais antigas

A equipe compara sua abordagem com vários métodos estabelecidos baseados em conjuntos fuzzy, conjuntos fuzzy intuicionistas e conjuntos rough usados separadamente. Essas ferramentas anteriores podem medir verdade parcial ou traçar fronteiras nítidas, mas têm dificuldade em lidar com incertezas sobrepostas, intervalos e hesitação dos especialistas de forma unificada. Usando os mesmos dados, a nova estrutura produz fronteiras mais estreitas entre grupos de alto e baixo risco, o que significa menos “zona cinzenta” onde as decisões são ambíguas. Testes quantitativos mostram que seu método gera pontuações acumuladas mais altas indicando aproximações mais claras e decisivas, enquanto a análise qualitativa sugere que também é mais interpretável para escolhas complexas e multicritério.

Do câncer de mama a decisões do mundo real mais amplas

Embora o artigo se concentre no risco de câncer de mama e na seleção de hospital, os autores enfatizam que sua estrutura é um motor de decisão geral para qualquer situação em que os dados sejam incompletos, conflitantes ou imprecisos. Políticas ambientais, avaliação de risco financeiro, projeto de engenharia e tomada de decisão em grupo entre múltiplos especialistas são todas aplicações possíveis. A mensagem principal para não especialistas é que um tratamento matemático melhor da incerteza pode apoiar escolhas mais transparentes e defensáveis: destacando claramente quais pacientes são mais seguros, quais estão em maior risco e quanta confiança devemos ter nessas avaliações, em vez de mascarar a dúvida atrás de uma única pontuação excessivamente simplificada.

Citação: 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

Palavras-chave: risco de câncer de mama, suporte à decisão médica, modelagem da incerteza, seleção de hospital, conjuntos fuzzy rough