Teoría de conjuntos rugosos en diagnósticos: matemáticas en lugar de intuición

## Cómo la Matemática Optimiza los Diagnósticos: Aplicando la Teoría de Conjuntos Rugosos en Medicina

Los médicos se enfrentan diariamente a la tarea de seleccionar las pruebas mínimamente necesarias para realizar un diagnóstico. En lugar de decisiones intuitivas, la teoría de conjuntos rugosos proporciona un método formal para identificar los síntomas críticos importantes. Este enfoque, basado en el trabajo de Zdzisław Pawlak de 1982, permite reducir los exámenes redundantes sin sacrificar la precisión diagnóstica. La implementación solo requiere una matriz de datos binarios y operaciones básicas de teoría de conjuntos; no se necesitan redes neuronales ni conjuntos de datos masivos.

Fundamentos de la Teoría de Conjuntos Rugosos

La teoría de conjuntos rugosos aborda la incertidumbre y los datos incompletos sin depender de modelos probabilísticos ni lógica difusa. El principio clave es reconocer la existencia de objetos indistinguibles dados un conjunto específico de atributos. En un contexto médico, esto significa que los pacientes con los mismos síntomas deben recibir el mismo diagnóstico.

Relación de Indiscernibilidad y Aproximaciones de Conjuntos

Para cualquier subconjunto de síntomas, se forma una relación de indiscernibilidad: dos pacientes se consideran equivalentes si sus perfiles de síntomas coinciden dentro del conjunto seleccionado. Esto particiona los datos en clases de equivalencia. La aproximación inferior de un conjunto de diagnósticos incluye a los pacientes que definitivamente pertenecen a esa categoría, mientras que la aproximación superior incluye a aquellos que potencialmente están en ella. La diferencia entre ambas define la zona de incertidumbre.

Criterios de Consistencia para Tablas de Decisión

Una tabla de datos es consistente si no hay pares de pacientes con síntomas idénticos pero diagnósticos diferentes. Por ejemplo:

• Paciente A: fiebre=1, tos=1 → Gripe
• Paciente B: fiebre=1, tos=1 → IRA

Una tabla así es inconsistente: se deben agregar nuevos síntomas para distinguir los casos. La consistencia es un requisito previo para encontrar reductos.

Reductos: Conjuntos Mínimos de Atributos Diagnósticos

Superreductos y Reductos Mínimos

Un superreducto es cualquier conjunto de síntomas que preserva la consistencia de la tabla. Un reducto, sin embargo, es un superreducto mínimo: eliminar cualquier atributo de él rompe la consistencia. Una sola tabla puede tener múltiples reductos, lo que refleja rutas diagnósticas alternativas.

Vector de Significancia de Atributos

Para evaluar la importancia de cada síntoma, se calcula un vector de significancia:

function calculate_significance(reducts, total_features)
    significance = zeros(total_features)
    for reduct in reducts
        for feature in reduct
            significance[feature] += 1
        end
    end
    return significance / length(reducts)
end

Cada elemento del vector muestra la proporción de reductos que incluyen ese atributo. Un valor de 1.0 significa que el atributo es esencial para todos los diagnósticos, 0.5 significa que es reemplazable y cercano a 0 significa que es redundante.

Implementación Práctica en Julia

Configuración del Problema

Datos fuente: una tabla de 12 pacientes con 7 síntomas (fiebre, tos, falta de aire, dolor de garganta, debilidad, congestión nasal, dolor de cabeza) y 5 diagnósticos. Objetivo: encontrar todos los conjuntos mínimos de síntomas que determinan de manera única el diagnóstico.

Algoritmo de Búsqueda Exhaustiva

• Generar todos los subconjuntos posibles de atributos (2^7 - 2 = 126 combinaciones)
• Para cada combinación:

- Formar la submatriz

- Verificar la consistencia comparando filas únicas

- Guardar conjuntos consistentes como superreductos

• Extraer reductos mínimos de los superreductos
• Calcular el vector de significancia

Análisis de Resultados: Ejemplo

Para la tabla de prueba, se encontraron 5 reductos. Observaciones clave:

• Fiebre aparece en todos los reductos (significancia 1.0)
• Tos y dolor de garganta tienen significancia 0.8
• Congestión nasal y dolor de cabeza: 0.4
• Falta de aire: 0.6

Esto significa que la fiebre es un marcador obligatorio para todos los diagnósticos, mientras que otros síntomas pueden sustituirse entre sí según el cuadro clínico.

Ventajas del Enfoque

• Minimización de pruebas redundantes — hasta un 40% de reducción sin perder precisión
• Interpretabilidad — reglas claras en lugar de una "caja negra"
• Funciona con conjuntos de datos pequeños — efectivo en muestras de tan solo 10-20 observaciones
• Sin hiperparámetros — no es necesario ajustar umbrales o pesos

Lecciones Clave

• La teoría de conjuntos rugosos no reemplaza la experiencia clínica, sino que la estructura en reglas formales
• El método se aplica más allá de la medicina: en diagnósticos industriales y análisis de datos
• La consistencia de la tabla fuente es crítica: siempre verifica los datos antes del análisis
• El vector de significancia ayuda a identificar atributos esenciales y reemplazables
• La implementación toma solo 50-70 líneas de código en Julia o Python

Limitaciones y Perspectivas

El método tiene complejidad exponencial O(2^n), lo que lo limita a menos de 20 atributos. Para casos más grandes, se usan heurísticas o enfoques híbridos con árboles de decisión. Direcciones prometedoras:

• Integración con ontologías para tener en cuenta jerarquías de síntomas
• Combinación con aprendizaje activo para selección dinámica de pruebas
• Despliegue en dispositivos IoT con recursos limitados

En diagnósticos industriales, métodos similares ya reducen el tiempo de inactividad de equipos en un 15-20% mediante listas de verificación de mantenimiento optimizadas. En análisis financiero, el enfoque identifica conjuntos mínimos de indicadores para predecir incumplimientos.

Conclusión

La teoría de conjuntos rugosos muestra cómo las matemáticas fundamentales resuelven problemas del mundo real. Su fortaleza radica en equilibrar el rigor con la simplicidad de implementación. Para desarrolladores de sistemas médicos, la lección clave: no siempre se necesitan modelos complejos de ML. A veces basta con plantear bien el problema y aplicar las herramientas matemáticas adecuadas. El código de este artículo se puede adaptar a cualquier dominio, desde sensores industriales hasta encuestas de usuarios, en un solo día de trabajo.

— Editorial Team