Rough kubisk intuitionistisk fuzzy mjukrelationsramverk för riskidentifiering och val av sjukhus vid bröstcancerbehandling

Varför det kan vara så svårt att välja rätt sjukhus

När någon står inför bröstcancer måste läkare väga många osäkra ledtrådar: tumörstorlek, skanningsbilder, lymfkörtelengagemang, familjehistoria och mer. Ingen av dessa uppgifter är helt tydlig, och specialister kan tveka eller vara oense. Denna artikel presenterar ett nytt matematiskt beslutsverktyg utformat för att navigera i den osäkerheten, hjälpa kliniker att identifiera patienter med högre risk och matcha dem med det mest lämpliga sjukhuset, samtidigt som det redovisar vad som är känt, vad som är tvivelaktigt och vad som ligger däremellan.

Många nyanser av ”ja”, ”nej” och ”osäker”

Traditionella beslutsmodeller behandlar ofta information som antingen sann eller falsk, eller högst som någonstans längs en enda fuzzy skala mellan 0 och 1. Men verkliga medicinska data är rikare och rörigare. Ett testresultat kan delvis stödja en diagnos, delvis tala emot den och ändå lämna utrymme för tvivel. Ramverket i denna studie håller reda på fyra aspekter samtidigt: hur starkt bevisen stödjer ett påstående (medlemskap), hur starkt de talar emot det (icke-medlemskap), hur mycket äkta tvekan som återstår, och hur brett ett intervall dessa värden kan sträcka sig. Istället för att pressa all osäkerhet i ett enda tal representeras den som en liten data”kub” som fångar både grad och spridning av tro.

Koppla patienter, testresultat och sjukhus

Ovanpå denna flerskiktade beskrivning av osäkerhet lägger författarna en annan ingrediens: mjuka relationer. Det är flexibla länkar mellan olika mängder av objekt—till exempel mellan patienter och diagnostiska faktorer, eller mellan diagnostiska faktorer och sjukhus. Varje länk kan vara svag eller stark och kan variera mellan olika sammanhang eller experter. Genom att kombinera dessa länkar med de kubiska osäkerhetskuberna kan modellen bilda nedre och övre ”approximativa” gränser för risk: en konservativ uppskattning av vilka som definitivt är högrisk, och en bredare gräns som inkluderar dem som kan vara högrisk givet de nuvarande tvivlen.

Fokus på bröstcancerrisk och sjukhusval

För att visa hur detta fungerar i praktiken bygger författarna en fallstudie med fem hypotetiska bröstcancerpatienter och fyra kliniskt viktiga faktorer: tumörstorlek, enhetlighet i tumörens form i bilder, lymfkörtelstatus och familjehistoria. Experter uttrycker sina åsikter om varje patient–faktor-par med hjälp av de nya osäkerhetskuberna. Ramverket sprider sedan denna information genom de mjuka relationer som förbinder patienter med sjukhus och räknar fram poäng som speglar både bevis och tvekan. I exemplet framträder en patient tydligt som den med högst nuvarande risknivå, medan familjehistorien utmärker sig som den enskilt mest inflytelserika faktorn när man ser på möjliga framtida utvecklingar.

Överträffar äldre beslutsverktyg

Teamet jämför sitt tillvägagångssätt med flera etablerade metoder baserade på fuzzy-mängder, intuitionistiska fuzzy-mängder och rough-mängder som används separat. De tidigare verktygen kan antingen mäta partiell sanningshalt eller dra skarpa gränser, men de har svårt att hantera överlappande osäkerheter, intervallinterval och expert-tvekan på ett enhetligt sätt. Med samma data ger det nya ramverket snävare gränser mellan hög- och lågriskgrupper, vilket innebär mindre ”gråzon” där beslut är tvetydiga. Kvantitativa tester visar att deras metod ger högre kumulativa poäng som indikerar klarare, mer avgörande approximationer, medan kvalitativ analys antyder att den också är mer tolkbar för komplexa val med flera kriterier.

Från bröstcancer till bredare verkliga beslut

Även om artikeln fokuserar på bröstcancerrisk och val av sjukhus betonar författarna att deras ramverk är en generell beslutsmotor för alla situationer där data är ofullständiga, motstridiga eller oprecisa. Miljöpolitik, finansiell riskbedömning, teknisk konstruktion och gruppbeslutsfattande bland flera experter är alla möjliga tillämpningar. Huvudbudskapet för icke-specialister är att bättre matematisk hantering av osäkerhet kan stödja mer transparenta och försvarbara val: tydligt belysa vilka patienter som är säkraste, vilka som är mest i riskzonen och hur säkra vi bör vara i dessa bedömningar, istället för att dölja tvivel bakom en enda överförenklad poäng.

Citering: 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

Nyckelord: bröstcancerrisk, medicinskt beslutsstöd, modellering av osäkerhet, val av sjukhus, fuzzy rough-mängder