El fallo de un sistema crítico de seguridad durante la ejecución de una misión puede resultar en pérdidas financieras significativas. La implementación de políticas de aborto de misión es una estrategia efectiva para mitigar el riesgo de fallo del sistema. Esta investigación profundiza en los sistemas que están sujetos a degradación por impacto acumulativo, considerando incertidumbres en el daño por impacto. Para tener en cuenta los diversos parámetros de degradación, empleamos un método de aprendizaje bayesiano dinámico utilizando datos de sensores en tiempo real para una estimación precisa de la degradación. Nuestro enfoque principal se centra en modelar la política de aborto de misión con un enfoque integrado de aprendizaje de parámetros dentro del marco de un proceso de decisión de Markov de horizonte finito. El objetivo clave es minimizar los costos esperados relacionados con inspecciones de rutina, fallos del sistema y interrupciones de la misión. A través de un examen de los aspectos estructurales de la función de valor, establecemos la presencia y la monotonía de los umbrales óptimos de aborto de misión, dando forma a la política óptima en una estrategia de límite controlado. Además, profundizamos en la relación entre los umbrales óptimos y los parámetros de coste para discernir sus patrones de comportamiento. A través de una serie de experimentos numéricos, mostramos el rendimiento superior de la política óptima en la mitigación de pérdidas en comparación con los métodos heurísticos tradicionales.