El aprendizaje profundo en seguridad y salud laboral y su contribución a la gestión de riesgos en el lugar de trabajo: una revisión sistemática
DOI:
https://doi.org/10.5281/zenodo.17254435Palabras clave:
aprendizaje profundo, riesgos laborales, seguridad en el trabajoResumen
La salud y seguridad en el trabajo (SST) es fundamental en todos los sectores industriales debido al impacto significativo de los accidentes y las enfermedades laborales. Tradicionalmente, la gestión de riesgos se ha basado en evaluaciones periódicas y medidas de control reactivas; sin embargo, la inteligencia artificial y el aprendizaje profundo han permitido desarrollar enfoques más preventivos y eficientes. Estas tecnologías facilitan el análisis de grandes volúmenes de datos para identificar patrones ocultos, predecir riesgos y mejorar la seguridad laboral. En este marco, el presente estudio analiza el uso actual del aprendizaje profundo en SST, centrándose en su implementación, la percepción de su eficacia y los desafíos que plantea. Además, se examina su aplicación en sectores como la construcción, la logística y la minería, donde contribuye a la prevención de riesgos y a la detección de comportamientos inseguros. Para ello, se llevó a cabo una revisión sistemática siguiendo el protocolo PRISMA, que incluyó 14 artículos de acceso abierto seleccionados de un total inicial de 274 publicaciones recuperadas de Scopus, PubMed, Web of Science y DOAJ. A partir del análisis realizado, se concluye que el aprendizaje profundo posee un gran potencial para disminuir conductas inseguras mediante la identificación y detección de variables clave, como la gestión de la información, que influyen en la ocurrencia de incidentes y condiciones peligrosas. Por ende, esta tecnología se presenta como una herramienta valiosa para apoyar al personal de SST en la prevención, control y toma de decisiones en diversos contextos laborales.
Descargas
Referencias
Ajayi, A., Oyedele, L., Owolabi, H., Akinade, O., Bilal, M., Davila Delgado, J. M., & Akanbi, L. (2020). Deep learning models for health and safety risk prediction in power infrastructure projects. Risk Analysis, 40(10), 2019–2039. https://doi.org/10.1111/risa.13425
Antwi-Afari, M. F., Qarout, Y., Herzallah, R., Anwer, S., Umer, W., Zhang, Y., & Manu, P. (2022). Deep learning-based networks for automated recognition and classification of awkward working postures in construction using wearable insole sensor data. Automation in Construction, 136, 104181. https://doi.org/10.1016/j.autcon.2022.104181
Casuat, C. D., Merencilla, N. E., Reyes, R. C., Sevilla, R. V., & Pascion, C. G. (2020). Deep-Hart: An inference deep learning approach of hard hat detection for work safety and surveillance. In 7th IEEE International Conference on Engineering Technologies and Applied Sciences (ICETAS 2020). IEEE. https://doi.org/10.1109/ICETAS51660.2020.9484208
Denning, P. J., & Denning, D. E. (2020). The profession of IT: Dilemmas of artificial intelligence. Communications of the ACM, 63(3), 22–24. https://doi.org/10.1145/3379920
Dong, S., Wang, P., & Abbas, K. (2021). A survey on deep learning and its applications. Computer Science Review, 40, 100379. https://doi.org/10.1016/j.cosrev.2021.100379
Du, S., Feng, G., Wang, J., Feng, S., Malekian, R., & Li, Z. (2019). A new machine-learning prediction model for slope deformation of an open-pit mine: An evaluation of field data. Energies, 12(7), 1288. https://doi.org/10.3390/en12071288
Fan, Z., & Xu, F. (2021). Health risks of occupational exposure to toxic chemicals in coal mine workplaces based on risk assessment mathematical model based on deep learning. Environmental Technology and Innovation, 22, 101500. https://doi.org/10.1016/j.eti.2021.101500
Fang, Q., Li, H., Luo, X., Ding, L., Rose, T. M., An, W., & Yu, Y. (2018). A deep learning-based method for detecting non-certified work on construction sites. Advanced Engineering Informatics, 35, 56–68. https://doi.org/10.1016/j.aei.2018.01.001
Hunt, W., Sarkar, S., & Warhurst, C. (2022). Measuring the impact of AI on jobs at the organization level: Lessons from a survey of UK business leaders. Research Policy, 51(2), 104425. https://doi.org/10.1016/j.respol.2021.104425
Jain, H., Miyapuram, S. T., & Reddy, S. R. (2021). IoT based fire accident detection system with deep learning intelligence. International Journal of Engineering and Advanced Technology, 11(1), 138–142. https://doi.org/10.35940/ijeat.A3181.1011121
Jeong, D., Park, C. G., Kang, T., Choi, S., & Hwang, J. (2023). Measuring ethics level of technological topics using phylogenetic tree. Technology Analysis & Strategic Management, 1–14. https://doi.org/10.1080/09537325.2023.2209214
Liu, J., Luo, H., & Liu, H. (2022). Deep learning-based data analytics for safety in construction. Automation in Construction, 140, 104302. https://doi.org/10.1016/j.autcon.2022.104302
Luo, X., Lin, F., Zhu, S., Yu, M., Zhang, Z., Meng, L., & Peng, J. (2019). Mine landslide susceptibility assessment using IVM, ANN and SVM models considering the contribution of affecting factors. PLoS ONE, 14(4), e0215134. https://doi.org/10.1371/journal.pone.0215134
Uchida M, Noshita K, Tsutsui Y, & Koyama H. (2018). Application of a deep learning for occupational health and safety recognition: a pilot study in a logistics industry. Sangyo Eiseigaku Zasshi, 60(6), 191-195. https://doi.org/10.1539/sangyoeisei.2018-022-c
Nath, N. D., Behzadan, A. H., & Paal, S. G. (2020). Deep learning for site safety: Real-time detection of personal protective equipment. Automation in Construction, 112, 103085. https://doi.org/10.1016/j.autcon.2020.103085
Rybak, N., & Hassall, M. (2021). Deep learning unsupervised text-based detection of anomalies in U.S. Chemical Safety and Hazard Investigation Board reports. In Proceedings of the International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME 2021). IEEE. https://doi.org/10.1109/ICECCME52200.2021.9590834
Sarwar Murshed, M. G., Carroll, J. J., Khan, N., & Hussain, F. (2020). Resource-aware on-device deep learning for supermarket hazard detection. IEEE International Conference on Machine Learning and Applications (ICMLA). https://doi.org/10.1109/ICMLA51294.2020.00142
Yi, H. (2019). Case analysis of applications for deep learning technology in the mining industry. Journal of the Korean Society of Mineral and Energy Resources Engineers, 56(5), 435–446. https://doi.org/10.32390/ksmer.2019.56.5.435
Zhang, J., Zi, L., Hou, Y., Deng, D., Jiang, W., & Wang, M. (2020). A C-BiLSTM approach to classify construction accident reports. Applied Sciences, 10(17), 5754. https://doi.org/10.3390/app10175754
Zhong, B., Pan, X., Love, P. E. D., Sun, J., & Tao, C. (2020). Hazard analysis: A deep learning and text mining framework for accident prevention. Advanced Engineering Informatics, 46, 101152. https://doi.org/10.1016/j.aei.2020.101152
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La revista se acoge a la licencia Licencia Atribución (CC BY), permitiendo la posibilidad de copiar, distribuir, exhibir, y producir obras derivadas, siempre y cuando se reconozca y cite al autor.
