El presente estudio aborda un problema clave en la práctica optométrica contemporánea: la identificación precisa de alteraciones visuales en entornos clínicos marcados por elevada incertidumbre, donde datos incompletos, mediciones ambiguas y factores subjetivos complican el diagnóstico tradicional. Este desafío resulta particularmente relevante hoy en día, dado el aumento de patologías oculares asociadas al envejecimiento poblacional, enfermedades crónicas y entornos asistenciales con recursos limitados, lo que demanda herramientas capaces de soportar imprecisiones inherentes sin comprometer la fiabilidad. Aunque la literatura ha explorado modelos predictivos basados en regresión logística y enfoques de inteligencia artificial para trastornos visuales, persiste una notable limitación: la mayoría ignora o simplifica excesivamente la indeterminación presente en las observaciones clínicas, generando resultados poco robustos ante variabilidad real. Para superar dicha brecha, se propone un modelo predictivo híbrido que fusiona la lógica neutrosófica con la regresión logística, incorporando grados explícitos de verdad, falsedad e indeterminación en las variables de entrada y en el proceso de clasificación. Mediante esta integración, se logra capturar y procesar la complejidad incierta de forma más natural. Los hallazgos principales revelan una mayor capacidad para discriminar alteraciones optométricas en escenarios ambiguos, superando las restricciones de métodos convencionales. En términos de contribución, el trabajo enriquece teóricamente el manejo de incertidumbre en modelos predictivos médicos, al tiempo que ofrece aplicaciones prácticas valiosas para optimizar el diagnóstico temprano, mejorar la asistencia a pacientes con baja visión y apoyar decisiones clínicas más informadas en contextos de alta variabilidad.