Salud Ocupacional Basada en Datos: Métodos Analíticos para la Gestión de Riesgos

Autores/as

  • Denyse do Amaral Krawczyk Pontíficia Universidade Católica de Goiás (PUC Goiás)
  • Julio Cézar Oliveira Santos Universidade Estadual de Goiás (UEG)
  • Fábio Barbosa Rodrigues Universidade Estadual de Goiás (UEG)
  • Rafael Viana de Carvalho Universidade Estadual de Goiás (UEG)
  • Rogério José de Almeida Pontíficia Universidade Católica de Goiás (PUC Goiás)

DOI:

https://doi.org/10.36557/2674-9432.2026v5n1p2447-2465

Palabras clave:

Salud Ocupacional, Gestión de Personas, Inteligencia Artificial, Big Data, Aprendizaje Automático

Resumen

Esta revisión sistemática tiene como objetivo analizar cómo la aplicación de métodos de análisis de datos, especialmente algoritmos de inteligencia artificial, contribuye a identificar patrones relacionados con los agravamientos de la salud de los trabajadores y a apoyar decisiones estratégicas en la gestión de personas. La búsqueda se realizó en las bases de datos BVS y PubMed, considerando publicaciones entre 2020 y 2025 y siguiendo las directrices PRISMA 2020, lo que resultó en 12 estudios incluidos en la muestra final. Los hallazgos evidencian que el aprendizaje automático constituye el eje metodológico central de los estudios analizados, confirmando su relevancia en el campo de la salud ocupacional. Los estudios primarios demostraron que técnicas como redes neuronales, lógica difusa y algoritmos evolutivos permiten anticipar riesgos ocupacionales y diagnosticar enfermedades relacionadas con el trabajo, sumándose al uso de tecnologías de recopilación de datos, como sensores portátiles y sensores fijos, empleados para monitorear en tiempo real patrones posturales, biomecánicos y de movimiento, lo que amplía la calidad y la diversidad de los datos analizados por los modelos. Los análisis también evidenciaron avances metodológicos, con énfasis en modelos predictivos y arquitecturas híbridas, además de señalar vacíos relacionados con la estandarización de los modelos, la validación multicéntrica y su integración en los sistemas organizacionales. La aplicación de inteligencia artificial amplía la capacidad predictiva, fortalece la gestión de personas y respalda políticas preventivas, promoviendo entornos laborales más seguros y sostenibles. No obstante, la consolidación de este enfoque requiere interoperabilidad entre sistemas, integración organizacional y la formación de gestores con competencias en análisis de datos y ética digital, con el fin de garantizar la reproducibilidad, la transparencia y la aplicabilidad práctica de los modelos en el contexto ocupacional.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

ACHOURI, N. et al. Adaptive hybrid ANFIS-PSO and ANFIS-GA approach for occupational risk prediction. International journal of occupational safety and ergonomics: JOSE, , v. 31, n. 2, p. 1–16, jan. 2025. Disponível em: https://www.tandfonline.com/doi/full/10.1080/10803548.2024.2444807 . Acesso em 21 set 2025.

ADAPA, K. et al. Using Explainable Supervised Machine Learning to Predict Burnout in Healthcare Professionals. Studies in health technology and informatics, Amsterdam, v. 294, p. 58–62, 25 maio 2022. Disponível em: IOS Press Ebooks - Using Explainable Supervised Machine Learning to Predict Burnout in Healthcare Professionals. Acesso em 21 set 2025.

ADELEKE, O. et al. Machine learning evaluation of a hypertension screening program in a university workforce over five years. Sci Rep, v. 14, n. 1, p. 30255–30255, dez. 2024. Disponível em: https://pubmed.ncbi.nlm.nih.gov/39632838/ . Acesso em 18 ago 2025.

AHMAD, S.; EDARIS, Z. L.; JAMALUDIN, N. I. S. Artificial Intelligence and Machine Learning in Occupational Safety and Health: A Review of Present Status, Opportunities and Challenges. Borneo Engineering & Advanced Multidisciplinary International Journal, v. 2, n. Special Issue (TECHON 2023), p. 17–22, 29 set. 2023. Disponível em: https://beam.pmu.edu.my/index.php/beam/article/view/81 Acesso em 12 jul 2025.

BOZORGMEHR, A.; THIELMANN, A.; WELTERMANN, B. Chronic stress in practice assistants: An analytic approach comparing four machine learning classifiers with a standard logistic regression model. PloS One, v. 16, n. 5, p. e0250842–e0250842, maio 2021. Disponível em: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0250842. Acesso em 21 set 2025.

BRASIL. Prevenção é essencial para um ambiente de trabalho seguro, destaca Luiz Marinho na Canpat 2025. Ministério do Trabalho e Emprego. Brasília, 2025. Disponível em: https://www.gov.br/trabalho-e-emprego/pt-br/noticias-e-conteudo/2025/abril/prevencao-e-essencial-para-um-ambiente-de-trabalho-seguro-destaca-ministro-luiz-marinho-na-canpat-2025 . Acesso em: 12 set 2025.

CONFORTI, I. et al. Measuring Biomechanical Risk in Lifting Load Tasks Through Wearable System and Machine-Learning Approach. Sensors (Basel), v. 20, n. 6, mar. 2020. Disponível em: https://www.mdpi.com/1424-8220/20/6/1557 Acesso em: 18 set 2025.

DONISI, L. et al. A deep learning approach for ergonomic risk assessment in manual lifting operations using a single wearable device. Sensors, v. 21, n. 10, p. 3415, maio 2021. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC8068056/ Acesso em: 18 ago 2025.

DZENG, R-J et al. A GRU-Based Model for Detecting Common Accidents of Construction Workers. Sensors (Basel, Switzerland), v. 24, n. 2, 21 jan. 2024. Disponível em: https://www.mdpi.com/1424-8220/24/2/672 acesso em 21 set 2025.

EFFATI, S. et al. Web application using machine learning to predict cardiovascular disease and hypertension in mine workers. Sci Rep, v. 14, n. 1, p. 31662–31662, dez. 2024. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC11686148/ . Acesso em 18 ago 2025.

FERNANDES, B. S. A. et al. Doenças crônicas não transmissíveis e absenteísmo no trabalho: Pesquisa Nacional de Saúde 2019. Revista Brasileira de Epidemiologia, v. 27, p. e240061, 16 dez. 2024. Disponível em: https://www.scielosp.org/article/rbepid/2024.v27/e240061/pt/?utm_source=chatgpt.com . Acesso em 12 jul 2025.

FERRARI, G. N. et al. Investigation of the usage of machine learning to explore the impacts of climate change on occupational health: a systematic review and research agenda. Front Public Health, v. 13, p. 1578558–1578558, jul. 2025. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC12206760/ . Acesso em: 21 set 2025.

FIEGLER-RUDOL, J. et al. Exploring Human-AI Dynamics in Enhancing Workplace Health and Safety: A Narrative Review. International Journal of Environmental Research and Public Health, v. 22, n. 2, p. 199, 30 jan. 2025. Disponível em: https://www.mdpi.com/1660-4601/22/2/199. Acesso em 12 jul 2025.

JETHA, A. et al. Do Occupational Health and Safety Tools that Utilize Artificial Intelligence Have a Measurable Impact on Worker Injury or Illness? Findings from a Systematic Review. Rochester, NYSocial Science Research Network, Jul. 2025. Disponível em: https://pubmed.ncbi.nlm.nih.gov/40646643/ . Acesso em: 18 ago 2025.

JOANNA BRIGGS INSTITUTE. Critical appraisal tools for use in JBI systematic reviews. Adelaide: Joanna Briggs Institute, 2020. Disponível em: https://jbi.global/critical-appraisal-tools . Acesso em 05 dez 2025.

LUO, N. et al. Explainable machine learning framework to predict the risk of work-related neck and shoulder musculoskeletal disorders among healthcare professionals. Front Public Health, v. 12, p. 1414209–1414209, set. 2024. Disponível em: https://www.frontiersin.org/journals/public-health/articles/10.3389/fpubh.2024.1414209/full. Acesso em: 21 set 2025.

MOLINA-CASTAÑO, C. F. et al. Aplicaciones de la Inteligencia Artificial en salud y seguridad en el trabajo: una revisión sistemática. Revista de la Asociación Española de Especialistas en Medicina del Trabajo, v. 33, n. 4, p. 485–502, 2024. Disponível em: https://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S3020-11602024000400010 . Acesso em 12 jul 2025.

NAGARAJAN, R. et al. Global estimate of burnout among the public health workforce: a systematic review and meta-analysis. Human Resources for Health, v. 22, n. 1, p. 30, 21 maio 2024. Disponível em: https://pubmed.ncbi.nlm.nih.gov/38773482/ . Acesso em: 12 jul 2025.

PAGE, M. J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, v. 372, n. 71, 2021. Disponível em: https://www.prisma-statement.org . Acesso em: 6 jul. 2025.

SÁNCHEZ-GUILLÉN, L. et al. A calculator for musculoskeletal injuries prediction in surgeons: a machine learning approach. Surg Endosc, v. 38, n. 11, p. 6577–6585, set. 2024. Disponível em https://pubmed.ncbi.nlm.nih.gov/39285040/ . Acesso em: 18 ago 2025.

SIX DIJKSTRA, M. W. M. C. et al. Ethical Considerations of Using Machine Learning for Decision Support in Occupational Health: An Example Involving Periodic Workers’ Health Assessments. J Occup Rehabil, v. 30, n. 3, p. 343–353, jun. 2020. Disponível em: https://www.researchgate.net/publication/341919573_Ethical_Considerations_of_Using_Machine_Learning_for_Decision_Support_in_Occupational_Health_An_Example_Involving_Periodic_Workers'_Health_Assessments Acesso em: 18 ago 2025.

SUN, G.-K. et al. Development of a multi-laboratory integrated predictive model for silicosis utilizing machine learning: a retrospective case-control study. Frontiers in public health, v. 12, p. 1450439, 2025. Disponível em: https://pubmed.ncbi.nlm.nih.gov/39882130/ . Acesso em: 21 set 2025.

WANG, Y. et al. Deep Learning Models of Multi-Scale Lesion Perception Attention Networks for Diagnosis and Staging of Pneumoconiosis: A Comparative Study with Radiologists. Journal of imaging informatics in medicine, v. 37, n. 6, p. 3025–3033, dez. 2024. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC11612096/ Acesso em: 21 set 2025.

YEŞİLGÖZ, P.; ARGA, K. Y. A health-sector-specific occupational health and safety management system model. Healthcare, Basel, v. 13, n. 3, p. 271, 2025. DOI: 10.3390/healthcare13030271. Disponível em: https://www.mdpi.com/2227-9032/13/3/271 . Acesso em 22 jan 2026.

Publicado

2026-03-10

Cómo citar

KRAWCZYK, Denyse do Amaral; SANTOS, Julio Cézar Oliveira; RODRIGUES, Fábio Barbosa; CARVALHO, Rafael Viana de; ALMEIDA, Rogério José de. Salud Ocupacional Basada en Datos: Métodos Analíticos para la Gestión de Riesgos. Periódicos Brasil. Pesquisa Científica, Macapá, Brasil, v. 5, n. 1, p. 2447–2465, 2026. DOI: 10.36557/2674-9432.2026v5n1p2447-2465. Disponível em: https://periodicosbrasil.emnuvens.com.br/revista/article/view/714. Acesso em: 12 may. 2026.