Autor principal: Carlos Eduardo Paradisi Chac\u00f3n<\/p>\n
Vol. XXI; n\u00ba 2; 28<\/p>\n
<\/p>\n
REVISI\u00d3N<\/strong><\/p>\n Gesti\u00f3n de la incertidumbre en radiodiagn\u00f3stico: fundamentos cl\u00ednicos, estrategias operativas y el papel emergente de la inteligencia artificial<\/strong><\/p>\n Management of uncertainty in diagnostic radiology: clinical foundations, operational strategies and the emerging role of artificial intelligence<\/em><\/strong><\/p>\n Carlos Eduardo Paradisi Chac\u00f3n, Isabel Cristina Paradisi Chac\u00f3n, Mar\u00eda Isabel Paradisi Chac\u00f3n, Anasel Cristina Viera Palacios<\/p>\n Incluido en Revista Electr\u00f3nica de PortalesMedicos.com, Volumen XXI. N\u00famero 02 \u2013 Segunda quincena de Enero de 2026<\/a> \u2013 P\u00e1gina inicial: Vol. XXI; n\u00ba 2; 28 \u2013 DOI: https:\/\/doi.org\/10.64396\/v21-0028<\/a> \u2013 C\u00f3mo citar este art\u00edculo<\/em><\/a><\/p>\n Sobre los autores<\/a> | Sobre el art\u00edculo<\/a> | Referencias<\/a><\/p>\n La incertidumbre es un componente estructural e inevitable del radiodiagn\u00f3stico moderno. Surge de limitaciones t\u00e9cnicas de las modalidades de imagen, variabilidad biol\u00f3gica y anat\u00f3mica de los pacientes, informaci\u00f3n cl\u00ednica incompleta, sesgos cognitivos del int\u00e9rprete y, de forma creciente, de la incorporaci\u00f3n de sistemas de inteligencia artificial (IA) en los flujos diagn\u00f3sticos. Lejos de ser un fallo del sistema, la incertidumbre constituye una dimensi\u00f3n intr\u00ednseca de la pr\u00e1ctica radiol\u00f3gica que debe ser reconocida, caracterizada y gestionada de manera expl\u00edcita. Este art\u00edculo de revisi\u00f3n integra la evidencia conceptual y operativa disponible sobre la gesti\u00f3n de la incertidumbre en radiolog\u00eda, describiendo sus principales tipolog\u00edas, los marcos de razonamiento cl\u00ednico-probabil\u00edstico utilizados por los radi\u00f3logos y las estrategias organizativas destinadas a reducir su impacto cl\u00ednico adverso. Se analiza de forma cr\u00edtica el papel emergente de la IA, destacando tanto su capacidad para disminuir ciertas fuentes cl\u00e1sicas de incertidumbre \u2014como la variabilidad interobservador o la detecci\u00f3n de hallazgos sutiles\u2014 como la introducci\u00f3n de nuevas incertidumbres algor\u00edtmicas relacionadas con sesgos, calibraci\u00f3n y generalizaci\u00f3n. Finalmente, se enfatiza el rol central del Informe Radiol\u00f3gico Estructurado y de la comunicaci\u00f3n con el cl\u00ednico peticionario como herramientas clave para modular la incertidumbre global del proceso diagn\u00f3stico. Un abordaje sistem\u00e1tico, transparente y colaborativo fortalece la seguridad cl\u00ednica y maximiza el valor del radiodiagn\u00f3stico en los sistemas de salud contempor\u00e1neos.<\/p>\n Incertidumbre Diagn\u00f3stica; Radiolog\u00eda; Toma de Decisiones; Inteligencia Artificial; Gesti\u00f3n del Riesgo<\/p>\n 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 \u2014such as interobserver variability or the detection of subtle findings\u2014 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.<\/p>\n Diagnostic Uncertainty; Radiology; Decision Making; Artificial Intelligence; Risk Management<\/p>\n La toma de decisiones diagn\u00f3sticas en radiolog\u00eda se desarrolla en un entorno caracterizado por informaci\u00f3n incompleta, presi\u00f3n temporal, consecuencias cl\u00ednicas relevantes y una creciente mediaci\u00f3n tecnol\u00f3gica. En este contexto, la incertidumbre no debe entenderse como un d\u00e9ficit del proceso diagn\u00f3stico, sino como una propiedad inherente de los sistemas complejos de decisi\u00f3n cl\u00ednica. El radi\u00f3logo moderno no elimina la incertidumbre, sino que la identifica, la calibra y la comunica de forma que permita decisiones cl\u00ednicas proporcionales y seguras.<\/p>\n La literatura contempor\u00e1nea en teor\u00eda de la decisi\u00f3n m\u00e9dica ha demostrado que la gesti\u00f3n expl\u00edcita de la incertidumbre mejora la calidad de las decisiones, reduce la variabilidad inapropiada y disminuye eventos adversos derivados tanto del sobretratamiento como de la inacci\u00f3n diagn\u00f3stica1,10<\/sup>. En radiodiagn\u00f3stico, esta gesti\u00f3n se vuelve especialmente cr\u00edtica debido a la naturaleza probabil\u00edstica de los hallazgos de imagen y a su rol como nodo intermedio entre la sospecha cl\u00ednica y la acci\u00f3n terap\u00e9utica.<\/p>\n La progresiva incorporaci\u00f3n de sistemas de inteligencia artificial (IA) intensifica esta problem\u00e1tica. Por un lado, la IA promete reducir fuentes cl\u00e1sicas de incertidumbre asociadas a la variabilidad interobservador y a la detecci\u00f3n de patrones sutiles; por otro, introduce incertidumbres de nueva naturaleza relacionadas con la fiabilidad de los modelos, su calibraci\u00f3n probabil\u00edstica y su comportamiento fuera de los contextos de entrenamiento. Comprender las tipolog\u00edas de incertidumbre constituye, por tanto, el primer paso para articular estrategias metodol\u00f3gicas coherentes.<\/p>\n La incertidumbre t\u00e9cnica representa el estrato basal del proceso radiol\u00f3gico y condiciona todos los niveles posteriores de interpretaci\u00f3n. Deriva de las limitaciones f\u00edsicas y operativas de las modalidades de imagen, incluyendo resoluci\u00f3n espacial y temporal finita, ruido, artefactos, protocolos sub\u00f3ptimos, variabilidad en la administraci\u00f3n de contraste, movimiento del paciente o interferencias por material met\u00e1lico. Estos factores no solo afectan la detectabilidad de lesiones, sino que introducen una variabilidad estructural que limita la reproducibilidad diagn\u00f3stica.<\/p>\n Desde un punto de vista metodol\u00f3gico, esta incertidumbre puede considerarse predominantemente aleatoria (aleatoricuncertainty), en tanto est\u00e1 ligada a la variabilidad intr\u00ednseca del proceso de adquisici\u00f3n. Su reconocimiento es esencial, ya que establece el l\u00edmite superior de certeza alcanzable incluso con interpretaci\u00f3n experta o asistencia algor\u00edtmica. Esta base t\u00e9cnica imperfecta act\u00faa como sustrato sobre el cual se construyen las siguientes capas de incertidumbre.<\/p>\n Sobre la base t\u00e9cnica se superpone la incertidumbre interpretativa, vinculada al proceso cognitivo del radi\u00f3logo. Incluye la superposici\u00f3n de patrones imagenol\u00f3gicos 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<\/sup>. La falta de informaci\u00f3n cl\u00ednica relevante amplifica esta incertidumbre, al dificultar la contextualizaci\u00f3n probabil\u00edstica de los hallazgos.<\/p>\n A diferencia de la incertidumbre t\u00e9cnica, esta dimensi\u00f3n posee un componente epist\u00e9mico significativo, potencialmente reducible mediante estandarizaci\u00f3n, entrenamiento, revisi\u00f3n colegiada y apoyo computacional. Su adecuada gesti\u00f3n resulta clave para evitar cascadas diagn\u00f3sticas innecesarias y para articular recomendaciones proporcionales.<\/p>\n La incertidumbre pron\u00f3stica emerge cuando los hallazgos de imagen deben extrapolarse hacia escenarios futuros: evoluci\u00f3n 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 biol\u00f3gica de las poblaciones y la limitada transferibilidad de resultados poblacionales a individuos concretos.<\/p>\n Desde la perspectiva de la teor\u00eda de decisiones, esta fase representa el puente entre diagn\u00f3stico y acci\u00f3n. La incapacidad para estimar con precisi\u00f3n trayectorias futuras obliga a trabajar con rangos de probabilidad y a incorporar expl\u00edcitamente el an\u00e1lisis riesgo-beneficio, enlazando de manera natural con la necesidad de estrategias diagn\u00f3sticas escalonadas.<\/p>\n La incertidumbre no se genera exclusivamente en la imagen o en la interpretaci\u00f3n, sino tambi\u00e9n 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 diagn\u00f3sticas. Esta dimensi\u00f3n sist\u00e9mica condiciona qu\u00e9 estrategias son viables en la pr\u00e1ctica real y modula el impacto cl\u00ednico de la incertidumbre previa, influyendo en las decisiones diagn\u00f3sticas y en la posibilidad de realizar estrategias escalonadas.<\/p>\n La incertidumbre algor\u00edtmica constituye una categor\u00eda emergente derivada de la incorporaci\u00f3n de sistemas de IA en radiolog\u00eda. Incluye la dependencia de los modelos respecto a los datos de entrenamiento, la falta de representatividad poblacional, la sensibilidad a variaciones en adquisici\u00f3n y la opacidad de muchos modelos de aprendizaje profundo3-5<\/sup>.<\/p>\n Desde un marco metodol\u00f3gico, esta incertidumbre es fundamentalmente epist\u00e9mica: 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 informaci\u00f3n probabil\u00edstica que debe integrarse cr\u00edticamente en el proceso decisional.<\/p>\n La gesti\u00f3n avanzada de la incertidumbre en radiodiagn\u00f3stico requiere trascender la mera estimaci\u00f3n probabil\u00edstica y avanzar hacia marcos formales de teor\u00eda de la decisi\u00f3n. En este nivel, el objetivo no es identificar el diagn\u00f3stico \u00abcorrecto\u00bb en abstracto, sino seleccionar la acci\u00f3n diagn\u00f3stica o comunicacional que maximiza el beneficio cl\u00ednico esperado dadas las probabilidades disponibles y las consecuencias asociadas.<\/p>\n La teor\u00eda de la utilidad esperada proporciona un marco normativo para la toma de decisiones bajo incertidumbre. En radiolog\u00eda, cada posible acci\u00f3n (por ejemplo, recomendar seguimiento, indicar prueba adicional, sugerir biopsia o descartar hallazgo) puede asociarse a una utilidad que integra beneficios cl\u00ednicos, riesgos, costes y carga para el paciente.<\/p>\n Formalmente, la decisi\u00f3n \u00f3ptima es aquella que maximiza la utilidad esperada, calculada como la suma de las utilidades ponderadas por la probabilidad de cada estado cl\u00ednico subyacente. Aunque este c\u00e1lculo rara vez se realiza de forma expl\u00edcita en la pr\u00e1ctica diaria, subyace impl\u00edcitamente a muchas recomendaciones radiol\u00f3gicas y explica por qu\u00e9 decisiones distintas pueden ser razonables ante probabilidades similares cuando las consecuencias difieren sustancialmente.<\/p>\n Este enfoque resulta especialmente relevante en hallazgos indeterminados, donde peque\u00f1as variaciones en la probabilidad estimada pueden no justificar cambios de conducta si las utilidades asociadas permanecen estables.<\/p>\n A partir del concepto de utilidad esperada se derivan los umbrales de decisi\u00f3n. Un umbral diagn\u00f3stico representa la probabilidad a partir de la cual una acci\u00f3n espec\u00edfica (por ejemplo, intervenir o no intervenir) se vuelve preferible. En radiolog\u00eda, estos umbrales se operacionalizan en sistemas categ\u00f3ricos como BI-RADS o Lung-RADS, donde cada categor\u00eda implica un rango probabil\u00edstico y una recomendaci\u00f3n asociada.<\/p>\n La comprensi\u00f3n expl\u00edcita de los umbrales permite al radi\u00f3logo justificar recomendaciones incluso en contextos de incertidumbre elevada y explica la utilidad de estrategias como el seguimiento activo cuando la probabilidad estimada se sit\u00faa entre umbrales de intervenci\u00f3n y de descarte.<\/p>\n Las curvas de decisi\u00f3n constituyen una herramienta metodol\u00f3gica avanzada que eval\u00faa el beneficio cl\u00ednico neto de una estrategia diagn\u00f3stica a lo largo de distintos umbrales de probabilidad. A diferencia de m\u00e9tricas cl\u00e1sicas como la sensibilidad o el \u00e1rea bajo la curva ROC, las decision curves integran consecuencias cl\u00ednicas y permiten comparar estrategias en t\u00e9rminos de utilidad real.<\/p>\n En radiodiagn\u00f3stico, este enfoque es particularmente valioso para evaluar modelos predictivos, sistemas de IA o estrategias de informe, ya que permite identificar en qu\u00e9 rangos de probabilidad una herramienta aporta valor cl\u00ednico frente a estrategias de tratar a todos o a ninguno.<\/p>\n Las estrategias escalonadas pueden interpretarse como procesos iterativos de maximizaci\u00f3n de utilidad esperada. Cada prueba adicional se justifica no por su precisi\u00f3n aislada, sino por su capacidad para desplazar la probabilidad estimada a trav\u00e9s de un umbral decisional relevante con un coste aceptable. Este marco conecta de forma natural la teor\u00eda de la decisi\u00f3n con la pr\u00e1ctica radiol\u00f3gica cotidiana.<\/p>\n La IA no elimina la incertidumbre diagn\u00f3stica, sino que la redistribuye y la transforma. Comprender esta transici\u00f3n es esencial para una integraci\u00f3n metodol\u00f3gicamente s\u00f3lida.<\/p>\n Desde una perspectiva metodol\u00f3gica avanzada, la IA puede entenderse como un generador sistem\u00e1tico de distribuciones de probabilidad m\u00e1s que de respuestas categ\u00f3ricas. La incertidumbre asociada a estos modelos se clasifica en:<\/p>\n Incertidumbre aleatoria (aleatoricuncertainty), inherente a la variabilidad y ruido de los datos de imagen.<\/p>\n Incertidumbre epist\u00e9mica, reflejo del desconocimiento del modelo sobre regiones del espacio de datos poco representadas.<\/p>\n Modelos bayesianos profundos, t\u00e9cnicas de Monte Carlo dropout, ensembles y arquitecturas con salidas probabil\u00edsticas permiten estimar expl\u00edcitamente estas incertidumbres y asociarlas a cada predicci\u00f3n. Desde el punto de vista de la teor\u00eda de la decisi\u00f3n, estas estimaciones permiten modular la confianza del radi\u00f3logo y decidir cu\u00e1ndo una recomendaci\u00f3n algor\u00edtmica es accionable o cu\u00e1ndo debe desencadenar una revisi\u00f3n adicional.<\/p>\n La utilidad cl\u00ednica de la IA depende no solo de su precisi\u00f3n, sino de la calibraci\u00f3n de sus probabilidades. M\u00e9tricas como el Brier score, calibration curves o expectedcalibration error permiten evaluar si las probabilidades emitidas reflejan riesgo real. M\u00e9todos de recalibraci\u00f3n como Plattscaling o temperaturescaling son esenciales antes de la implementaci\u00f3n cl\u00ednica.<\/p>\n Integrada en un marco de utilidad esperada, la IA act\u00faa como un modulador din\u00e1mico de probabilidades pretest y postest. Su valor cl\u00ednico m\u00e1ximo se alcanza cuando desplaza de manera consistente las estimaciones de probabilidad a trav\u00e9s de umbrales decisionales relevantes. En este sentido, la IA no debe evaluarse \u00fanicamente por su precisi\u00f3n, sino por su impacto en las decisiones cl\u00ednicas resultantes.<\/p>\n Las decision curves permiten cuantificar este impacto y comparar modelos de IA con la interpretaci\u00f3n humana, as\u00ed como con estrategias h\u00edbridas radi\u00f3logo-IA. Este enfoque refuerza la idea de colaboraci\u00f3n humano-m\u00e1quina como optimizaci\u00f3n conjunta de utilidad, m\u00e1s que como competencia diagn\u00f3stica.<\/p>\n Todo modelo debe someterse a validaci\u00f3n local y monitorizaci\u00f3n longitudinal para detectar degradaci\u00f3n de rendimiento (modeldrift). La ausencia de estos mecanismos convierte a la IA en una fuente adicional de incertidumbre no controlada.<\/p>\n El informe radiol\u00f3gico constituye un instrumento central para modular la incertidumbre del cl\u00ednico peticionario. La contextualizaci\u00f3n de probabilidades, la explicitaci\u00f3n de limitaciones t\u00e9cnicas, las recomendaciones moduladas y el uso de informes estructurados reducen errores de comunicaci\u00f3n y mejoran la toma de decisiones6-8<\/sup>. Asimismo, la provisi\u00f3n de informaci\u00f3n cl\u00ednica adecuada mediante solicitudes estructuradas es una responsabilidad compartida que puede ser facilitada por sistemas digitales e IA.<\/p>\n La incertidumbre en radiodiagn\u00f3stico no puede eliminarse, pero s\u00ed gestionarse de manera expl\u00edcita y sistem\u00e1tica. La evoluci\u00f3n hacia una radiolog\u00eda aumentada por IA exigir\u00e1 nuevas competencias en evaluaci\u00f3n cr\u00edtica de modelos, comunicaci\u00f3n probabil\u00edstica y \u00e9tica profesional. La investigaci\u00f3n futura deber\u00e1 centrarse en m\u00e9tricas de incertidumbre cl\u00ednicamente accionables, integraci\u00f3n longitudinal de datos y marcos regulatorios que preserven la responsabilidad profesional.<\/p>\n La gesti\u00f3n de la incertidumbre es una competencia estrat\u00e9gica del radiodiagn\u00f3stico contempor\u00e1neo. Mediante razonamiento probabil\u00edstico, estandarizaci\u00f3n, estrategias escalonadas, comunicaci\u00f3n estructurada y una integraci\u00f3n prudente de la IA, es posible reducir riesgos, mejorar la seguridad cl\u00ednica y aumentar el valor diagn\u00f3stico. La IA transformar\u00e1, pero no eliminar\u00e1, la incertidumbre, reforzando el papel del radi\u00f3logo como integrador experto de informaci\u00f3n compleja.<\/p>\n Carlos Eduardo Paradisi Chac\u00f3n Isabel Cristina Paradisi Chac\u00f3n Mar\u00eda Isabel Paradisi Chac\u00f3n Anasel Cristina Viera Palacios Autor de correspondencia:<\/strong>Resumen<\/h2>\n
Palabras clave<\/h2>\n
Abstract<\/h2>\n
Keywords<\/h2>\n
Introducci\u00f3n<\/h2>\n
Tipolog\u00edas de incertidumbre en radiodiagn\u00f3stico<\/h2>\n
Incertidumbre t\u00e9cnica<\/h3>\n
Incertidumbre interpretativa y diagn\u00f3stica<\/h3>\n
Incertidumbre pron\u00f3stica y terap\u00e9utica<\/h3>\n
Incertidumbre sist\u00e9mica y organizativa<\/h3>\n
Incertidumbre algor\u00edtmica<\/h3>\n
Marcos conceptuales y estrategias para la gesti\u00f3n de la incertidumbre<\/h2>\n
Teor\u00eda de la utilidad esperada aplicada a radiolog\u00eda<\/h3>\n
Umbrales de decisi\u00f3n diagn\u00f3stica<\/h3>\n
Curvas de decisi\u00f3n (Decision Curve Analysis)<\/h3>\n
Estrategias diagn\u00f3sticas escalonadas como optimizaci\u00f3n de utilidad<\/h3>\n
Inteligencia artificial y transformaci\u00f3n de la incertidumbre<\/h2>\n
Modelos de incertidumbre en IA aplicada a radiolog\u00eda<\/h3>\n
M\u00e9tricas de calibraci\u00f3n y fiabilidad<\/h3>\n
IA como herramienta de apoyo decisional<\/h3>\n
Validaci\u00f3n local y monitorizaci\u00f3n continua<\/h3>\n
Comunicaci\u00f3n del informe radiol\u00f3gico como herramienta de gesti\u00f3n de la incertidumbre<\/h2>\n
Discusi\u00f3n y perspectivas futuras<\/h2>\n
Conclusiones<\/h2>\n
Referencias<\/h2>\n
\n
Sobre los autores<\/h2>\n
\nUnidad de Radiodiagn\u00f3stico, SALUD, Caracas, Venezuela.<\/p>\n
\nUnidad de Radiodiagn\u00f3stico, SALUD, Caracas, Venezuela.<\/p>\n
\nUnidad de Radiodiagn\u00f3stico, SALUD, Caracas, Venezuela.<\/p>\n
\nC\u00e1tedra de Histolog\u00eda Normal y Embriolog\u00eda, Escuela de Medicina Luis Razetti, Universidad Central de Venezuela, Caracas, Venezuela.<\/p>\n
\nCarlos Eduardo Paradisi Chac\u00f3n
\n@<\/a><\/p>\nSobre el art\u00edculo<\/h2>\n