Las redes bayesianas dinámicas (DBNs) representan relaciones causales complejas dependientes del tiempo a través del uso de probabilidades condicionales y modelos de gráficos acíclicos dirigidos. Las DBNs permiten la inferencia hacia adelante y hacia atrás de los estados del sistema, diagnosticar la salud actual del sistema y pronosticar el futuro estado del sistema dentro del mismo marco de modelado. Como resultado, ha habido un creciente interés en utilizar DBNs para problemas de ingeniería de confiabilidad y aplicaciones en evaluación de riesgos. Sin embargo, existen preguntas abiertas sobre cómo pueden ser utilizadas para apoyar el diagnóstico y monitoreo de la salud prognóstica de un sistema de ingeniería complejo (CES), por ejemplo, plantas de energía, instalaciones de procesamiento y buques marítimos. Estos sistemas, que integran estrechamente componentes humanos, de hardware y software, y entornos operativos dinámicos, han sido difíciles de modelar anteriormente. Como parte de la creciente literatura que avanza en la comprensión de cómo las DBNs pueden ser utilizadas para mejorar las evaluaciones de riesgos y el monitoreo de la salud de los CES, este documento muestra las capacidades de inferencia diagnóstica y prognóstica que son posibles de encapsular dentro de un único modelo de DBN. Utilizando datos simulados de secuencias de accidentes de un reactor nuclear rápido de sodio como estudio de caso, se diseña, cuantifica y verifica una DBN basada en evidencia asociada con un sobrepaso transitorio. Los resultados indican que un modelo conjunto prognóstico y diagnóstico que responde a nueva evidencia del sistema puede ser generado a partir de datos operativos para representar la salud del CES. Por lo tanto, dicho modelo puede servir como otra herramienta de entrenamiento para los operadores de CES para prepararse mejor para escenarios de accidente.