Autor principal: Carlos Eduardo Paradisi Chacón
Vol. XXI; nº 2; 28
REVISIÓN
Gestión de la incertidumbre en radiodiagnóstico: fundamentos clínicos, estrategias operativas y el papel emergente de la inteligencia artificial
Management of uncertainty in diagnostic radiology: clinical foundations, operational strategies and the emerging role of artificial intelligence
Carlos Eduardo Paradisi Chacón, Isabel Cristina Paradisi Chacón, María Isabel Paradisi Chacón, Anasel Cristina Viera Palacios
Incluido en Revista Electrónica de PortalesMedicos.com, Volumen XXI. Número 02 – Segunda quincena de Enero de 2026 – Página inicial: Vol. XXI; nº 2; 28 – DOI: https://doi.org/10.64396/v21-0028 – Cómo citar este artículo
Sobre los autores | Sobre el artículo | Referencias
Resumen
La incertidumbre es un componente estructural e inevitable del radiodiagnóstico moderno. Surge de limitaciones técnicas de las modalidades de imagen, variabilidad biológica y anatómica de los pacientes, información clínica incompleta, sesgos cognitivos del intérprete y, de forma creciente, de la incorporación de sistemas de inteligencia artificial (IA) en los flujos diagnósticos. Lejos de ser un fallo del sistema, la incertidumbre constituye una dimensión intrínseca de la práctica radiológica que debe ser reconocida, caracterizada y gestionada de manera explícita. Este artículo de revisión integra la evidencia conceptual y operativa disponible sobre la gestión de la incertidumbre en radiología, describiendo sus principales tipologías, los marcos de razonamiento clínico-probabilístico utilizados por los radiólogos y las estrategias organizativas destinadas a reducir su impacto clínico adverso. Se analiza de forma crítica el papel emergente de la IA, destacando tanto su capacidad para disminuir ciertas fuentes clásicas de incertidumbre —como la variabilidad interobservador o la detección de hallazgos sutiles— como la introducción de nuevas incertidumbres algorítmicas relacionadas con sesgos, calibración y generalización. Finalmente, se enfatiza el rol central del Informe Radiológico Estructurado y de la comunicación con el clínico peticionario como herramientas clave para modular la incertidumbre global del proceso diagnóstico. Un abordaje sistemático, transparente y colaborativo fortalece la seguridad clínica y maximiza el valor del radiodiagnóstico en los sistemas de salud contemporáneos.
Palabras clave
Incertidumbre Diagnóstica; Radiología; Toma de Decisiones; Inteligencia Artificial; Gestión del Riesgo
Abstract
Uncertainty is a structural and inevitable component of modern radiodiagnosis. It arises from technical limitations of imaging modalities, biological and anatomical variability of patients, incomplete clinical information, cognitive biases of the interpreter and, increasingly, from the incorporation of artificial intelligence (AI) systems in diagnostic flows. Far from being a system failure, uncertainty is an intrinsic dimension of radiological practice that must be explicitly recognized, characterized and managed. This review article integrates the conceptual and operational evidence available on the management of uncertainty in radiology, describing its main typologies, the clinical-probabilistic reasoning frameworks used by radiologists and the organizational strategies aimed at reducing its adverse clinical impact. The emerging role of AI is critically analyzed, highlighting both its ability to reduce certain classic sources of uncertainty —such as interobserver variability or the detection of subtle findings— and the introduction of new algorithmic uncertainties related to bias, calibration and generalization. Finally, the central role of the Structured Radiological Report and communication with the requesting clinician is emphasized as key tools to modulate the overall uncertainty of the diagnostic process. A systematic, transparent and collaborative approach strengthens clinical safety and maximizes the value of radiodiagnosis in contemporary health systems.
Keywords
Diagnostic Uncertainty; Radiology; Decision Making; Artificial Intelligence; Risk Management
Introducción
La toma de decisiones diagnósticas en radiología se desarrolla en un entorno caracterizado por información incompleta, presión temporal, consecuencias clínicas relevantes y una creciente mediación tecnológica. En este contexto, la incertidumbre no debe entenderse como un déficit del proceso diagnóstico, sino como una propiedad inherente de los sistemas complejos de decisión clínica. El radiólogo moderno no elimina la incertidumbre, sino que la identifica, la calibra y la comunica de forma que permita decisiones clínicas proporcionales y seguras.
La literatura contemporánea en teoría de la decisión médica ha demostrado que la gestión explícita de la incertidumbre mejora la calidad de las decisiones, reduce la variabilidad inapropiada y disminuye eventos adversos derivados tanto del sobretratamiento como de la inacción diagnóstica1,10. En radiodiagnóstico, esta gestión se vuelve especialmente crítica debido a la naturaleza probabilística de los hallazgos de imagen y a su rol como nodo intermedio entre la sospecha clínica y la acción terapéutica.
La progresiva incorporación de sistemas de inteligencia artificial (IA) intensifica esta problemática. Por un lado, la IA promete reducir fuentes clásicas de incertidumbre asociadas a la variabilidad interobservador y a la detección de patrones sutiles; por otro, introduce incertidumbres de nueva naturaleza relacionadas con la fiabilidad de los modelos, su calibración probabilística y su comportamiento fuera de los contextos de entrenamiento. Comprender las tipologías de incertidumbre constituye, por tanto, el primer paso para articular estrategias metodológicas coherentes.
Tipologías de incertidumbre en radiodiagnóstico
Incertidumbre técnica
La incertidumbre técnica representa el estrato basal del proceso radiológico y condiciona todos los niveles posteriores de interpretación. Deriva de las limitaciones físicas y operativas de las modalidades de imagen, incluyendo resolución espacial y temporal finita, ruido, artefactos, protocolos subóptimos, variabilidad en la administración de contraste, movimiento del paciente o interferencias por material metálico. Estos factores no solo afectan la detectabilidad de lesiones, sino que introducen una variabilidad estructural que limita la reproducibilidad diagnóstica.
Desde un punto de vista metodológico, esta incertidumbre puede considerarse predominantemente aleatoria (aleatoricuncertainty), en tanto está ligada a la variabilidad intrínseca del proceso de adquisición. Su reconocimiento es esencial, ya que establece el límite superior de certeza alcanzable incluso con interpretación experta o asistencia algorítmica. Esta base técnica imperfecta actúa como sustrato sobre el cual se construyen las siguientes capas de incertidumbre.
Incertidumbre interpretativa y diagnóstica
Sobre la base técnica se superpone la incertidumbre interpretativa, vinculada al proceso cognitivo del radiólogo. Incluye la superposición de patrones imagenológicos entre entidades distintas, la existencia de hallazgos indeterminados o borderline, la variabilidad interobservador y la influencia de sesgos cognitivos bien descritos, como el anclaje, la disponibilidad o el cierre prematuro2. La falta de información clínica relevante amplifica esta incertidumbre, al dificultar la contextualización probabilística de los hallazgos.
A diferencia de la incertidumbre técnica, esta dimensión posee un componente epistémico significativo, potencialmente reducible mediante estandarización, entrenamiento, revisión colegiada y apoyo computacional. Su adecuada gestión resulta clave para evitar cascadas diagnósticas innecesarias y para articular recomendaciones proporcionales.
Incertidumbre pronóstica y terapéutica
La incertidumbre pronóstica emerge cuando los hallazgos de imagen deben extrapolarse hacia escenarios futuros: evolución temporal de lesiones, probabilidad de malignidad, respuesta a tratamientos o riesgo de complicaciones. Esta incertidumbre se ve condicionada por la disponibilidad de datos longitudinales, la heterogeneidad biológica de las poblaciones y la limitada transferibilidad de resultados poblacionales a individuos concretos.
Desde la perspectiva de la teoría de decisiones, esta fase representa el puente entre diagnóstico y acción. La incapacidad para estimar con precisión trayectorias futuras obliga a trabajar con rangos de probabilidad y a incorporar explícitamente el análisis riesgo-beneficio, enlazando de manera natural con la necesidad de estrategias diagnósticas escalonadas.
Incertidumbre sistémica y organizativa
La incertidumbre no se genera exclusivamente en la imagen o en la interpretación, sino también en el entorno organizativo. Limitaciones de recursos, carga asistencial elevada, tiempos de respuesta, acceso desigual a modalidades avanzadas y variabilidad institucional influyen en la factibilidad de ciertas decisiones diagnósticas. Esta dimensión sistémica condiciona qué estrategias son viables en la práctica real y modula el impacto clínico de la incertidumbre previa, influyendo en las decisiones diagnósticas y en la posibilidad de realizar estrategias escalonadas.
Incertidumbre algorítmica
La incertidumbre algorítmica constituye una categoría emergente derivada de la incorporación de sistemas de IA en radiología. Incluye la dependencia de los modelos respecto a los datos de entrenamiento, la falta de representatividad poblacional, la sensibilidad a variaciones en adquisición y la opacidad de muchos modelos de aprendizaje profundo3-5.
Desde un marco metodológico, esta incertidumbre es fundamentalmente epistémica: refleja el desconocimiento sobre el comportamiento real del modelo en escenarios no observados. Su reconocimiento obliga a replantear el rol de la IA no como fuente de certeza absoluta, sino como generador adicional de información probabilística que debe integrarse críticamente en el proceso decisional.
Marcos conceptuales y estrategias para la gestión de la incertidumbre
La gestión avanzada de la incertidumbre en radiodiagnóstico requiere trascender la mera estimación probabilística y avanzar hacia marcos formales de teoría de la decisión. En este nivel, el objetivo no es identificar el diagnóstico «correcto» en abstracto, sino seleccionar la acción diagnóstica o comunicacional que maximiza el beneficio clínico esperado dadas las probabilidades disponibles y las consecuencias asociadas.
Teoría de la utilidad esperada aplicada a radiología
La teoría de la utilidad esperada proporciona un marco normativo para la toma de decisiones bajo incertidumbre. En radiología, cada posible acción (por ejemplo, recomendar seguimiento, indicar prueba adicional, sugerir biopsia o descartar hallazgo) puede asociarse a una utilidad que integra beneficios clínicos, riesgos, costes y carga para el paciente.
Formalmente, la decisión óptima es aquella que maximiza la utilidad esperada, calculada como la suma de las utilidades ponderadas por la probabilidad de cada estado clínico subyacente. Aunque este cálculo rara vez se realiza de forma explícita en la práctica diaria, subyace implícitamente a muchas recomendaciones radiológicas y explica por qué decisiones distintas pueden ser razonables ante probabilidades similares cuando las consecuencias difieren sustancialmente.
Este enfoque resulta especialmente relevante en hallazgos indeterminados, donde pequeñas variaciones en la probabilidad estimada pueden no justificar cambios de conducta si las utilidades asociadas permanecen estables.
Umbrales de decisión diagnóstica
A partir del concepto de utilidad esperada se derivan los umbrales de decisión. Un umbral diagnóstico representa la probabilidad a partir de la cual una acción específica (por ejemplo, intervenir o no intervenir) se vuelve preferible. En radiología, estos umbrales se operacionalizan en sistemas categóricos como BI-RADS o Lung-RADS, donde cada categoría implica un rango probabilístico y una recomendación asociada.
La comprensión explícita de los umbrales permite al radiólogo justificar recomendaciones incluso en contextos de incertidumbre elevada y explica la utilidad de estrategias como el seguimiento activo cuando la probabilidad estimada se sitúa entre umbrales de intervención y de descarte.
Curvas de decisión (Decision Curve Analysis)
Las curvas de decisión constituyen una herramienta metodológica avanzada que evalúa el beneficio clínico neto de una estrategia diagnóstica a lo largo de distintos umbrales de probabilidad. A diferencia de métricas clásicas como la sensibilidad o el área bajo la curva ROC, las decision curves integran consecuencias clínicas y permiten comparar estrategias en términos de utilidad real.
En radiodiagnóstico, este enfoque es particularmente valioso para evaluar modelos predictivos, sistemas de IA o estrategias de informe, ya que permite identificar en qué rangos de probabilidad una herramienta aporta valor clínico frente a estrategias de tratar a todos o a ninguno.
Estrategias diagnósticas escalonadas como optimización de utilidad
Las estrategias escalonadas pueden interpretarse como procesos iterativos de maximización de utilidad esperada. Cada prueba adicional se justifica no por su precisión aislada, sino por su capacidad para desplazar la probabilidad estimada a través de un umbral decisional relevante con un coste aceptable. Este marco conecta de forma natural la teoría de la decisión con la práctica radiológica cotidiana.
Inteligencia artificial y transformación de la incertidumbre
La IA no elimina la incertidumbre diagnóstica, sino que la redistribuye y la transforma. Comprender esta transición es esencial para una integración metodológicamente sólida.
Modelos de incertidumbre en IA aplicada a radiología
Desde una perspectiva metodológica avanzada, la IA puede entenderse como un generador sistemático de distribuciones de probabilidad más que de respuestas categóricas. La incertidumbre asociada a estos modelos se clasifica en:
Incertidumbre aleatoria (aleatoricuncertainty), inherente a la variabilidad y ruido de los datos de imagen.
Incertidumbre epistémica, reflejo del desconocimiento del modelo sobre regiones del espacio de datos poco representadas.
Modelos bayesianos profundos, técnicas de Monte Carlo dropout, ensembles y arquitecturas con salidas probabilísticas permiten estimar explícitamente estas incertidumbres y asociarlas a cada predicción. Desde el punto de vista de la teoría de la decisión, estas estimaciones permiten modular la confianza del radiólogo y decidir cuándo una recomendación algorítmica es accionable o cuándo debe desencadenar una revisión adicional.
Métricas de calibración y fiabilidad
La utilidad clínica de la IA depende no solo de su precisión, sino de la calibración de sus probabilidades. Métricas como el Brier score, calibration curves o expectedcalibration error permiten evaluar si las probabilidades emitidas reflejan riesgo real. Métodos de recalibración como Plattscaling o temperaturescaling son esenciales antes de la implementación clínica.
IA como herramienta de apoyo decisional
Integrada en un marco de utilidad esperada, la IA actúa como un modulador dinámico de probabilidades pretest y postest. Su valor clínico máximo se alcanza cuando desplaza de manera consistente las estimaciones de probabilidad a través de umbrales decisionales relevantes. En este sentido, la IA no debe evaluarse únicamente por su precisión, sino por su impacto en las decisiones clínicas resultantes.
Las decision curves permiten cuantificar este impacto y comparar modelos de IA con la interpretación humana, así como con estrategias híbridas radiólogo-IA. Este enfoque refuerza la idea de colaboración humano-máquina como optimización conjunta de utilidad, más que como competencia diagnóstica.
Validación local y monitorización continua
Todo modelo debe someterse a validación local y monitorización longitudinal para detectar degradación de rendimiento (modeldrift). La ausencia de estos mecanismos convierte a la IA en una fuente adicional de incertidumbre no controlada.
Comunicación del informe radiológico como herramienta de gestión de la incertidumbre
El informe radiológico constituye un instrumento central para modular la incertidumbre del clínico peticionario. La contextualización de probabilidades, la explicitación de limitaciones técnicas, las recomendaciones moduladas y el uso de informes estructurados reducen errores de comunicación y mejoran la toma de decisiones6-8. Asimismo, la provisión de información clínica adecuada mediante solicitudes estructuradas es una responsabilidad compartida que puede ser facilitada por sistemas digitales e IA.
Discusión y perspectivas futuras
La incertidumbre en radiodiagnóstico no puede eliminarse, pero sí gestionarse de manera explícita y sistemática. La evolución hacia una radiología aumentada por IA exigirá nuevas competencias en evaluación crítica de modelos, comunicación probabilística y ética profesional. La investigación futura deberá centrarse en métricas de incertidumbre clínicamente accionables, integración longitudinal de datos y marcos regulatorios que preserven la responsabilidad profesional.
Conclusiones
La gestión de la incertidumbre es una competencia estratégica del radiodiagnóstico contemporáneo. Mediante razonamiento probabilístico, estandarización, estrategias escalonadas, comunicación estructurada y una integración prudente de la IA, es posible reducir riesgos, mejorar la seguridad clínica y aumentar el valor diagnóstico. La IA transformará, pero no eliminará, la incertidumbre, reforzando el papel del radiólogo como integrador experto de información compleja.
Referencias
- Berland LL, Silverman SG, Gore RM, Mayo-Smith WW, Megibow AJ, Yee J, et al. Managing incidental findings on abdominal CT: White paper of the ACR Incidental Findings Committee. J Am Coll Radiol. 2010;7(10):754-73. doi:10.1016/j.jacr.2010.06.013.
- Brady AP. Error and discrepancy in radiology: inevitable or avoidable? Insights Imaging. 2017;8(1):171-82. doi:10.1007/s13244-016-0534-1.
- van der Velden BH, Kuijf HJ, Gilhuijs KG, Viergever MA. Explainable artificial intelligence (XAI) in deep learning–based medical image analysis. Med Image Anal. 2022;79:102470. doi:10.1016/j.media.2022.102470.
- Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM). Radiol Artif Intell. 2020;2(2):e200029. doi:10.1148/ryai.2020200029.
- European Society of Radiology (ESR). What the radiologist should know about artificial intelligence. Insights Imaging. 2019;10:44. doi:10.1186/s13244-019-0738-2.
- Ganeshan D, Duong P, Probyn L, Lenchik L, McArthur TA, Retrouvey M, et al. Structured reporting in radiology. Acad Radiol. 2018;25(1):66-73. doi:10.1016/j.acra.2017.08.005.
- Waite S, Scott M, Drexler I, Martino J, Legasto A, Gale B, Kolla S. Communication errors in radiology: pitfalls and how to avoid them. Clin Imaging. 2018;51:266-72. doi:10.1016/j.clinimag.2018.05.025.
- McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. International evaluation of an artificial intelligence system for breast cancer screening. Nature. 2020;577(7788):89-94. doi:10.1038/s41586-019-1799-6.
- Sox HC, Higgins MC, Owens DK. Medical decision making. 2nd ed. Chichester: Wiley-Blackwell; 2013.
- Siewert B, Brook OR, Hochman M, Eisenberg RL. Impact of communication errors in radiology on patient care, customer satisfaction, and workflow efficiency. AJR Am J Roentgenol. 2016;206(3):573-9. doi:10.2214/AJR.15.15117.
Sobre los autores
Carlos Eduardo Paradisi Chacón
Unidad de Radiodiagnóstico, SALUD, Caracas, Venezuela.
Isabel Cristina Paradisi Chacón
Unidad de Radiodiagnóstico, SALUD, Caracas, Venezuela.
María Isabel Paradisi Chacón
Unidad de Radiodiagnóstico, SALUD, Caracas, Venezuela.
Anasel Cristina Viera Palacios
Cátedra de Histología Normal y Embriología, Escuela de Medicina Luis Razetti, Universidad Central de Venezuela, Caracas, Venezuela.
Autor de correspondencia:
Carlos Eduardo Paradisi Chacón
@
Sobre el artículo
Fecha de recepción: 13 de diciembre de 2025
Fecha de aceptación: 15 de enero de 2026
Fecha de publicación: 29 de enero de 2026
DOI: https://doi.org/10.64396/v21-0028
Conflictos de interés: ninguno
Consentimiento informado: No aplicable
Financiación: ninguna
Declaración ética: Los autores declaran que este trabajo se ha realizado de acuerdo con los principios éticos y las normas internacionales de investigación biomédica, respetando los criterios de confidencialidad, integridad científica y buenas prácticas editoriales.
Autoría y responsabilidad: Todos los autores declaran haber participado activamente en el desarrollo del trabajo, haber revisado y aprobado la versión final del manuscrito y asumir responsabilidad pública por su contenido, conforme a los criterios internacionales de autoría.