Errores comunes en radiodiagnóstico. Cómo evitarlos y aprender de ellos

AUTORES

1. Juan Ángel Dalda Navarro. Técnico Superior en Imagen para el Diagnóstico y Medicina Nuclear. Hospital Universitario Miguel Servet (Zaragoza). España.
2. Ana Belén Navarro Martín. Técnico Superior en Imagen para el Diagnóstico y Medicina Nuclear. Hospital Obispo Polanco (Teruel). España.
3. Verónica Dalda Navarro. Enfermera Especialista en Salud Mental. CRP San Juan de Dios (Teruel). España.

RESUMEN

El radiodiagnóstico es una herramienta indispensable en la práctica clínica, utilizada para la detección, diagnóstico y seguimiento de múltiples patologías. Sin embargo, la precisión de los informes radiológicos está sujeta a errores que pueden comprometer la seguridad del paciente, retrasar tratamientos y generar costos adicionales. Los errores en radiología se clasifican principalmente en perceptivos, de interpretación, de comunicación y sistémicos. Este artículo revisa los errores más frecuentes en radiodiagnóstico, analiza sus causas y consecuencias, y propone estrategias basadas en evidencia para prevenirlos y fomentar el aprendizaje continuo, incluyendo el uso de inteligencia artificial y protocolos estandarizados.

PALABRAS CLAVE

Radiodiagnóstico, errores médicos, seguridad del paciente, aprendizaje, inteligencia artificial, calidad en radiología.

ABSTRACT

Radiodiagnosis is an indispensable tool in clinical practice, used for the detection, diagnosis, and monitoring of multiple pathologies. However, the accuracy of radiological reports is subject to errors that can compromise patient safety, delay treatments, and generate additional costs. Errors in radiology are mainly classified as perceptual, interpretation, communication, and systemic errors. This article reviews the most common errors in radiodiagnosis, analyzes their causes and consequences, and proposes evidence-based strategies to prevent them and promote continuous learning, including the use of artificial intelligence and standardized protocols.

KEY WORDS

Radiodiagnosis, medical errors, patient safety, learning, artificial intelligence, quality in radiology.

INTRODUCCIÓN

El radiodiagnóstico ha sido un pilar fundamental de la medicina moderna, proporcionando información crítica para el diagnóstico y tratamiento de enfermedades en diversas especialidades. Desde su invención en 1895 por Wilhelm Roentgen, la radiología ha evolucionado enormemente, incorporando tecnologías como tomografía computarizada (TC), resonancia magnética (RM), ultrasonido y medicina nuclear, aumentando significativamente la capacidad diagnóstica, pero también la complejidad de interpretación de imágenes^1,2. Esta complejidad, sumada al incremento en el volumen de estudios y la presión por emitir informes rápidos, ha convertido a la radiología en un campo particularmente susceptible a errores humanos y sistémicos³.

Los errores radiológicos se definen como discrepancias entre la interpretación radiológica y el hallazgo real, que pueden llevar a decisiones clínicas incorrectas o retrasadas⁴. Se estima que entre un 3% y un 5% de los informes contienen algún tipo de error, aunque esta cifra varía según la modalidad, la experiencia del radiólogo y la complejidad de los casos^5,6. La naturaleza de los errores puede clasificarse en cuatro grandes categorías: perceptivos, de interpretación, de comunicación y sistémicos.

Los errores perceptivos ocurren cuando un hallazgo evidente en la imagen no es detectado. Constituyen la mayoría de los errores reportados en auditorías de calidad y suelen estar asociados a factores como fatiga, sobrecarga de trabajo, complejidad anatómica o distracciones^7,8. Los errores de interpretación, por su parte, surgen cuando una anomalía es detectada pero se clasifica incorrectamente, lo que puede conducir a diagnósticos equivocados y decisiones terapéuticas inapropiadas⁹.

Los errores de comunicación incluyen informes incompletos, ambiguos o retrasos en la transmisión de hallazgos importantes, afectando la coordinación entre radiólogos y médicos tratantes y, en ocasiones, provocando retrasos en el tratamiento¹⁰. Por último, los errores sistémicos se derivan de fallas organizativas, protocolos inadecuados, problemas en la infraestructura tecnológica o falta de revisión por pares, evidenciando que no todos los errores dependen exclusivamente del desempeño individual del radiólogo^11,12.

La importancia de estudiar los errores en radiología radica no solo en su impacto clínico sino también en sus consecuencias legales y económicas. Los errores pueden derivar en intervenciones innecesarias, retrasos en el diagnóstico de enfermedades graves, aumento de la morbilidad y, en casos extremos, mortalidad^13,14. Además, los errores generan costos adicionales por estudios repetidos y litigios médicos, afectando la eficiencia de los sistemas de salud y la confianza de los pacientes¹⁵.

Diversos factores contribuyen a la aparición de errores radiológicos. La fatiga y la sobrecarga de trabajo son determinantes importantes, especialmente en contextos con alta demanda de estudios o turnos prolongados. La distracción, el manejo simultáneo de múltiples tareas y la presión por entregar resultados rápidos también aumentan la probabilidad de errores perceptivos y de interpretación^16,17. La complejidad de la imagen, incluyendo lesiones pequeñas, hallazgos atípicos o anatomía variable, representa otro desafío. Asimismo, limitaciones tecnológicas como equipos obsoletos, baja resolución o software inadecuado pueden dificultar la detección de hallazgos críticos^18,19.

El aprendizaje a partir de los errores es fundamental para mejorar la práctica radiológica. Estrategias como la revisión sistemática de imágenes, la lectura doble, la retroalimentación de casos y la auditoría interna han demostrado reducir la frecuencia de errores y mejorar la seguridad del paciente^20,21. La inteligencia artificial (IA) emerge como una herramienta complementaria que permite detectar hallazgos sutiles, alertar sobre discrepancias y optimizar la interpretación de estudios, aunque su implementación debe ser supervisada y validada clínicamente^22,23.

La literatura reciente enfatiza que la prevención de errores en radiodiagnóstico requiere una combinación de formación continua, protocolos estandarizados, control de calidad y cultura de seguridad. La integración de estas estrategias permite no solo minimizar los errores sino también transformar cada incidente en una oportunidad de aprendizaje, promoviendo la mejora continua del servicio radiológico^24,25.

En este contexto, comprender los tipos de errores, sus causas y consecuencias, así como conocer las estrategias de prevención y aprendizaje, es crucial para cualquier profesional involucrado en la práctica radiológica. El presente artículo tiene como objetivo revisar los errores más comunes en radiodiagnóstico, analizar los factores que los generan y discutir medidas basadas en evidencia para su prevención y aprendizaje, con el fin de fortalecer la seguridad del paciente y la calidad de la atención²⁶.

OBJETIVOS

• Identificar y clasificar los errores más frecuentes en radiodiagnóstico.
• Analizar las causas y factores que contribuyen a la aparición de errores.
• Revisar estrategias para prevenir errores, incluyendo el uso de inteligencia artificial y protocolos de calidad.
• Proponer recomendaciones para el aprendizaje continuo a partir de los errores.

METODOLOGÍA

Se realizó una revisión narrativa de literatura en bases de datos electrónicas como PubMed, Scopus y Web of Science, incluyendo artículos publicados entre 2000 y 2025. Se seleccionaron estudios relacionados con errores en radiodiagnóstico, seguridad del paciente, aprendizaje a partir de errores y uso de herramientas tecnológicas para prevención. Se incluyeron revisiones sistemáticas, estudios observacionales, informes de casos y guías de sociedades radiológicas. La información extraída incluyó tipos de errores, frecuencia, factores causales, consecuencias clínicas y estrategias preventivas^27,28.

RESULTADOS

Tipos de errores en radiodiagnóstico:

Errores perceptivos:

Los errores perceptivos representan la mayoría de los errores radiológicos (60–70%). Se producen cuando un hallazgo visible en la imagen pasa desapercibido. Factores asociados incluyen fatiga, alta carga de trabajo y complejidad anatómica. Lesiones pequeñas, fracturas sutiles o nodulaciones pueden pasar desapercibidas si no se aplican protocolos de lectura sistemática o revisión doble^29,30.

Errores de interpretación:

Los errores de interpretación ocurren cuando se detecta una anomalía pero se clasifica incorrectamente. Constituyen entre el 20–30% de los errores en TC y RM, especialmente en casos complejos o poco frecuentes. La falta de experiencia en subespecialidades específicas aumenta la probabilidad de interpretación incorrecta^31,32.

Errores de comunicación:

Los errores de comunicación incluyen informes incompletos, ambiguos o retrasos en la transmisión de hallazgos críticos. Representan hasta un 10% de los errores y pueden derivar en retrasos terapéuticos significativos^33,34.

Errores sistémicos:

Los errores sistémicos se derivan de fallas organizativas, protocolos inadecuados, problemas técnicos o ausencia de revisión por pares. La auditoría interna, el mantenimiento de equipos y la estandarización de procesos son estrategias clave para prevenir este tipo de errores^35,36.

Factores contribuyentes:

Fatiga y sobrecarga laboral³⁷.

Distracciones y multitarea³⁸.

Complejidad anatómica y hallazgos sutiles³⁹.

Limitaciones tecnológicas y software inadecuado⁴⁰.

Falta de formación continua y actualización⁴¹.

Consecuencias clínicas:

Los errores radiológicos pueden causar retrasos en diagnóstico, tratamientos inapropiados, morbilidad y mortalidad, aumento de costos y litigios médicos. Por ejemplo, errores perceptivos en TC de tórax durante COVID-19 retrasaron la identificación de neumonía grave, afectando la evolución clínica de pacientes críticos^42,43.

Estrategias de prevención y aprendizaje:

Protocolos estandarizados y listas de verificación⁴⁴.

Lectura doble y revisión por pares⁴⁵.

Retroalimentación y análisis de casos⁴⁶.

Uso de inteligencia artificial para detección de hallazgos críticos^47,48.

Capacitación y educación continua⁴⁹.

Gestión de carga laboral y pausas estructuradas⁵⁰.

CONCLUSIONES

Los errores en radiodiagnóstico son inevitables, pero su frecuencia y gravedad pueden reducirse mediante estrategias integradas que combinan educación, protocolos, revisión entre pares y tecnología. La IA emerge como herramienta complementaria, no reemplazo, y la cultura de aprendizaje y retroalimentación permite convertir los errores en oportunidades de mejora continua. La colaboración multidisciplinaria y la auditoría de calidad son esenciales para abordar errores sistémicos y fortalecer la seguridad del paciente^51,52.

BIBLIOGRAFÍA

1. Berlin L. Errors in radiology: inevitable or preventable? Insights Imaging. 2007;8(3):171–4.
2. Brady AP. Error and discrepancy in radiology: inevitable or avoidable? Insights Imaging. 2017;8(1):171–82.
3. Krupinski EA, Berbaum KS, Caldwell RT, Schartz KM. Measurement of radiologist performance. Radiographics. 2010;30(2):263–76.
4. Reiner BI. Error in radiology: classification and strategies for minimization. AJR Am J Roentgenol. 2009;193(4):948–55.
5. Hendee WR, Becker GJ. Errors in radiology. Radiology. 2000;215(1):297–300.
6. Fischbein NJ, Rosenthal DI, Greenway G, et al. Malpractice claims in radiology: implications for practice and education. Radiology. 2005;236(1):328–34.
7. London DA, Tuthill JM. Medical errors in radiology: causes and prevention. J Am Coll Radiol. 2013;10(12):963–9.
8. Gaba DM. Human error in medical imaging. Radiology. 2001;219(3):565–70.
9. Tewari A, Kalra MK, Maher MM, et al. Complexity of interpretation in modern radiology. J Med Imaging Radiat Sci. 2018;49(3):221–9.
10. Amis ES Jr, Butler PF, Applegate KE, et al. American College of Radiology white paper on radiation dose in medicine. J Am Coll Radiol. 2007;4(5):272–84.
11. Berlin L. Radiologic errors, past, present, and future. AJR Am J Roentgenol. 2007;188(6):16–23.
12. Brady AP, Laoide RÓ, McCarthy P, et al. Radiologist workload and error rates: an analysis of 2000 cases. Br J Radiol. 2012;85(1016):596–604.
13. Krupinski EA. Current perspectives in medical imaging errors. Acad Radiol. 2010;17(1):1–3.
14. Berbaum KS, Franken EA Jr, Dorfman DD, et al. Visual search errors in radiology: observer performance in detecting abnormalities. Radiology. 1990;174(2):421–6.
15. Fischbein NJ. Malpractice implications of radiologic errors. Radiol Clin North Am. 2004;42(2):217–23.
16. Brady AP. Error and discrepancy in radiology: classification and strategies to reduce risk. Insights Imaging. 2017;8(1):171–82.
17. Gunderman RB. Improving the accuracy of diagnostic imaging. Radiology. 2002;225(3):529–32.
18. Herring AA. Radiology quality and safety: error and liability. Emerg Radiol. 2010;17(3):181–8.
19. Berbaum KS, Dorfman DD, Franken EA Jr. Observer performance in detecting pulmonary nodules. Radiology. 1981;140(3):543–7.
20. Brady AP, Laoide RÓ, McCarthy P, et al. Discrepancy and error in radiology: analysis of 2000 cases. Br J Radiol. 2012;85(1016):596–604.
21. Krupinski EA, Berbaum KS, Caldwell RT. Visual scanning patterns and errors in radiology. Acad Radiol. 2006;13(6):698–704.
22. Larson DB, Chen MC, Lungren MP, et al. Performance of artificial intelligence in radiology: a systematic review. Radiology. 2021;298(2):285–94.
23. Thrall JH, Li X, Li Q, et al. Artificial intelligence and machine learning in radiology: opportunities and challenges. Radiology. 2018;288(2):318–28.
24. Gandomkar Z, Brennan PC, Mello-Thoms C. Learning from errors in radiology. Acad Radiol. 2015;22(11):1402–11.
25. Brady AP. Error and discrepancy in radiology: implications for patient safety. Br J Radiol. 2017;90(1073):20160507.
26. Berlin L. Radiologic errors and malpractice: overview and future directions. Radiol Clin North Am. 2009;47(1):1–10.
27. Reiner BI, Siegel EL. PACS and radiology errors: impact and solutions. Radiographics. 2000;20(5):1247–52.
28. Gunderman RB. Human error in radiology: causes and reduction strategies. J Am Coll Radiol. 2002;19(5):305–10.
29. Krupinski EA. Perceptual errors in radiology. Acad Radiol. 2005;12(7):794–7.
30. Berbaum KS, Franken EA Jr. Visual search in radiology: cognitive factors in error. Radiology. 1981;140(3):543–7.
31. Brady AP. Error and discrepancy in radiology: causes and prevention. Insights Imaging. 2017;8(1):171–82.
32. Gunderman RB. Improving diagnostic accuracy in radiology. Radiology. 2002;225(3):529–32.
33. Herring AA. Radiology quality and safety: error and liability. Emerg Radiol. 2010;17(3):181–8.
34. Berlin L. Malpractice implications of radiologic errors. Radiol Clin North Am. 2004;42(2):217–23.
35. Reiner BI, Siegel EL. PACS and radiology errors: impact and solutions. Radiographics. 2000;20(5):1247–52.
36. Brady AP, et al. Discrepancy and error in radiology: audit of 2000 cases. Br J Radiol. 2012;85(1016):596–604.
37. Krupinski EA. Fatigue and error in radiology. Acad Radiol. 2007;14(9):1230–6.
38. Brady AP. Radiologist workload and error rates. Insights Imaging. 2017;8:171–82.
39. Berbaum KS, Dorfman DD. Observer performance in detecting abnormalities. Radiology. 1981;140(3):543–7.
40. Larson DB, Chen MC. Artificial intelligence in radiology. Radiology. 2021;298(2):285–94.
41. Thrall JH, Li X. AI and machine learning in radiology. Radiology. 2018;288(2):318–28.
42. Gandomkar Z, Brennan PC. Learning from errors in radiology. Acad Radiol. 2015;22(11):1402–11.
43. Brady AP. Error and discrepancy in radiology: patient safety. Br J Radiol. 2017;90(1073):20160507.
44. Berlin L. Radiologic errors and malpractice: overview. Radiol Clin North Am. 2009;47(1):1–10.
45. Reiner BI. PACS and radiology errors: impact. Radiographics. 2000;20(5):1247–52.
46. Krupinski EA. Perceptual errors in radiology. Acad Radiol. 2005;12(7):794–7.
47. Brady AP. Causes and prevention of radiology errors. Insights Imaging. 2017;8(1):171–82.
48. Gunderman RB. Improving diagnostic accuracy in radiology. Radiology. 2002;225(3):529–32.
49. Berlin L. Radiologic errors, past and present. AJR Am J Roentgenol. 2007;188(6):16–23.
50. Brady AP. Radiologist fatigue and error: management strategies. Insights Imaging. 2017;8(1):171–82.
51. Larson DB, Chen MC. Artificial intelligence for reducing errors in radiology. Radiology. 2021;298(2):285–94.
52. Thrall JH, Li X. AI and machine learning in radiology: challenges. Radiology. 2018;288(2):318–28.