ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
Artículo de investigación https://doi.org/10.47460/athenea.v7i24.145
Modelado predictivo basado en inteligencia artiőcial y sensores
inteligentes para la prevención dinámica de accidentes laborales en
entornos industriales de alto riesgo
Benjamín Roldan Polo-Escobar
https://orcid.org/0000-0001-5056-9957
benjamin.polo@untrm.edu.pe
Universidad Nacional Toribio Rodríguez de
Mendoza
Chachapoyas, Perú
Renzo Enrique Polo-Moreano
https://orcid.org/0009-0009-8747-8974
20193257@aloe.ulima.edu.pe
Universidad de Lima, Facultad de Ciencias
Empresariales y Económicas
Lima, Perú
Larissa Galia Yampasi Surco
https://orcid.org/0009-0008-8777-3423
lyampasi@unsa.edu.pe
Universidad Nacional San Agustín de Arequipa
Arequipa, Perú
Eduardo Andre Zuñiga Flores
https://orcid.org/0009-0002-8810-4754
ezunigaf@unsa.edu.pe
Universidad Nacional San Agustín de Arequipa
Arequipa, Perú
*Autor de correspondencia:
benjamin.polo@untrm.edu.pe
Recibido: (03/03/2026), Aceptado: (30/05/2026)
Resumen. La prevención de accidentes laborales en entornos industriales de alto riesgo requiere solu-
ciones capaces de anticipar condiciones inseguras en tiempo real. El objetivo de esta investigación fue
desarrollar un modelo predictivo basado en inteligencia artiĄcial y sensores inteligentes para la preven-
ción dinámica de accidentes laborales. La metodología integró tecnologías del Internet de las Cosas
Industrial (IIoT), algoritmos de aprendizaje automático, simulación Monte Carlo e inteligencia artiĄcial
explicable para analizar variables ambientales, operacionales y humanas. Los resultados mostraron que
el modelo XGBoost alcanzó una exactitud del 94% y un AUC de 0,97, mientras que el análisis SHAP
identiĄcó la fatiga operacional, las vibraciones anormales y la temperatura ambiental como los princi-
pales factores asociados al riesgo. Se concluye que la integración de sensores inteligentes, inteligencia
artiĄcial y simulación avanzada fortalece la seguridad industrial mediante sistemas predictivos orientados
a la detección temprana de riesgos y la toma de decisiones preventivas.
Palabras clave: inteligencia artiĄcial, seguridad industrial, sensores inteligentes, prevención de acci-
dentes, IIoT.
Predictive Modeling Based on Artificial Intelligence and Smart Sensors for the
Dynamic Prevention of Occupational Accidents in High-Risk Industrial
Environments
Abstract. The prevention of occupational accidents in high-risk industrial environments requires solu-
tions capable of anticipating unsafe conditions in real time. The objective of this research was to develop
a predictive model based on artiĄcial intelligence and smart sensors for the dynamic prevention of oc-
cupational accidents. The methodology integrated Industrial Internet of Things (IIoT) technologies,
machine learning algorithms, Monte Carlo simulation, and explainable artiĄcial intelligence to analyze
environmental, operational, and human variables. The results showed that the XGBoost model achieved
an accuracy of 94% and an AUC of 0.97, while the SHAP analysis identiĄed operational fatigue, ab-
normal vibrations, and ambient temperature as the main risk-related factors. It is concluded that the
integration of smart sensors, artiĄcial intelligence, and advanced simulation strengthens industrial safety
through predictive systems aimed at early risk detection and preventive decision-making.
Keywords: artiĄcial intelligence, industrial safety, smart sensors, accident prevention, IIoT.
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
71
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
I. INTRODUCCIÓN
La seguridad laboral continúa siendo uno de los principales desafíos en los entornos industriales de
alto riesgo debido a la complejidad de los procesos productivos y a la interacción constante entre factores
humanos, ambientales y operacionales. Aunque los avances normativos y tecnológicos han contribuido a
mejorar las condiciones de trabajo, los accidentes laborales siguen generando importantes consecuencias
humanas y económicas, evidenciando la necesidad de fortalecer los mecanismos de prevención [
1]. Los
enfoques tradicionales basados en inspecciones periódicas y análisis retrospectivos presentan limitaciones
para identiĄcar condiciones de riesgo emergentes en tiempo real, especialmente en escenarios industriales
dinámicos [
2].
En este contexto, la inteligencia artiĄcial (IA) y el aprendizaje automático han impulsado el de-
sarrollo de sistemas predictivos capaces de analizar grandes volúmenes de datos, detectar patrones
complejos y estimar probabilidades de riesgo con mayor precisión que los métodos convencionales [1],
[
3], [4]. Paralelamente, los sensores inteligentes y las tecnologías asociadas al Internet de las Cosas (IoT)
han ampliado las capacidades de monitoreo continuo mediante la captura de información relacionada
con variables Ąsiológicas, ambientales y operacionales [
5], [6].
Diversos estudios han demostrado la utilidad de estas tecnologías para la vigilancia de trabajadores
en zonas de alto riesgo, la detección automática de condiciones inseguras y la generación de alertas
preventivas [7], [5], [8]. Sin embargo, persisten desafíos asociados a la integración de múltiples fuentes
de información, la interpretabilidad de los modelos predictivos y la transformación de los resultados en
acciones preventivas efectivas [
2], [9], [10]. Asimismo, las investigaciones recientes incorporan enfoques
centrados en el factor humano mediante interfaces adaptativas y sistemas de neuroergonomía orientados
a reducir errores operacionales y mejorar la toma de decisiones [11].
Bajo este escenario, la presente investigación tiene como objetivo desarrollar un modelo predic-
tivo basado en inteligencia artiĄcial y sensores inteligentes para la prevención dinámica de accidentes
laborales en entornos industriales de alto riesgo. La propuesta integra variables humanas, ambien-
tales y operacionales mediante técnicas avanzadas de aprendizaje automático con el Ąn de fortalecer la
detección temprana de riesgos y la toma de decisiones preventivas en tiempo real.
II. MARCO TEÓRICO
A. Seguridad industrial y prevención de accidentes laborales
La seguridad industrial constituye una disciplina orientada a la identiĄcación, evaluación y control
de los riesgos asociados a los procesos productivos con el propósito de proteger la integridad física de
los trabajadores, garantizar la continuidad operacional y reducir las pérdidas económicas derivadas de
incidentes y accidentes laborales. Históricamente, los programas de seguridad se han basado en enfo ques
preventivos sustentados en inspecciones periódicas, análisis de incidentes y cumplimiento normativo. Sin
embargo, la creciente complejidad de los sistemas industriales modernos ha evidenciado las limitaciones
de los métodos tradicionales para anticipar situaciones de riesgo dinámicas y altamente variables [1].
Los entornos industriales de alto riesgo presentan una interacción permanente entre factores hu-
manos, ambientales y operacionales que pueden modiĄcar signiĄcativamente las condiciones de seguri-
dad en intervalos muy cortos de tiempo. En consecuencia, la prevención efectiva de accidentes requiere
mecanismos capaces de monitorear continuamente dichas variables y detectar oportunamente cambios
que incrementen la probabilidad de ocurrencia de eventos críticos [
2]. Bajo esta perspectiva, la gestión
moderna de la seguridad ocupacional ha evolucionado progresivamente hacia modelos basados en infor-
mación en tiemp o real y análisis predictivo. Diversas investigaciones coinciden en que la transformación
digital está redeĄniendo los paradigmas tradicionales de prevención laboral, favoreciendo el desarrollo de
sistemas inteligentes capac es de anticipar riesgos antes de que estos se materialicen en accidentes [
7].
Este cambio representa una transición desde enfoques reactivos hacia estrategias proactivas centradas
en la predicción y mitigación temprana de peligros.
B. Inteligencia artificial aplicada a la gestión del riesgo ocupacional
La inteligencia artiĄcial ha emergido como una de las tecnologías más prometedoras para fortalecer
los sistemas de seguridad industrial mediante el análisis automatizado de grandes volúmenes de datos
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
72
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
y la identiĄcación de patrones complejos de comportamiento. Su aplicación en entornos laborales
permite detectar relaciones no lineales entre múltiples variables y generar estimaciones probabilísticas
sobre la ocurrencia de eventos adversos [1]. Los algoritmos de aprendizaje automático han demostrado
una elevada capacidad para procesar simultáneamente información procedente de sensores, registros
históricos, sistemas de mantenimiento y dispositivos de monitoreo humano. De acuerdo con Akash
[
3], los modelos predictivos basados en inteligencia artiĄcial permiten identiĄcar señales tempranas de
riesgo y generar alertas preventivas antes de que se produzcan situaciones críticas.
Por otra parte, las revisiones sistemáticas realizadas por Shekh [
4] evidencian que los sistemas pre-
dictivos basados en inteligencia artiĄcial han alcanzado niveles de precisión signiĄcativamente superiores
a los obtenidos mediante métodos convencionales de evaluación de riesgos. Entre las técnicas más uti-
lizadas destacan Random Forest, Support Vector Machine, XGBoost, LightGBM y redes neuronales
profundas, debido a su capacidad para modelar relaciones complejas entre variables heterogéneas. Adi-
cionalmente, los avances recientes en inteligencia artiĄcial explicable han permitido superar una de las
principales limitaciones de los modelos predictivos tradicionales: la falta de interpretabilidad. Herramien-
tas como SHAP (Shapley Additive Explanations) facilitan la identiĄcación de las variables que inĆuyen
en las predicciones generadas por los algoritmos, proporcionando mayor transparencia y conĄanza en
los procesos de toma de decisiones relacionados con la seguridad ocupacional [
9].
C. Sensores inteligentes e Internet de las Cosas Industrial (IIoT)
El desarrollo de sensores inteligentes y tecnologías asociadas al Internet de las Cosas Industrial (In-
dustrial Internet of Things, IIoT) ha transformado signiĄcativamente las capacidades de monitoreo en
los entornos productivos modernos. Estas tecnologías permiten capturar información en tiempo real so-
bre el estado de los equipos, las condiciones ambientales y las respuestas Ąsiológicas de los trabajadores,
generando Ćujos continuos de datos para el análisis de riesgos [
6]. Los sensores inteligentes incorporan
capacidades de procesamiento, comunicación y transmisión de información que facilitan la supervisión
permanente de variables críticas tales como temperatura, humedad, vibraciones, ruido, gases contami-
nantes, frecuencia cardíaca y localización espacial [
2]. Gracias a esta capacidad de monitoreo continuo,
las organizaciones pueden disp oner de información actualizada sobre las condiciones de operación y
responder con mayor rapidez ante posibles situaciones de peligro.
Nakka y Dilip [
5] destacan que los sistemas basados en aprendizaje profundo y sensores inteligentes
han mostrado resultados prometedores para la vigilancia automática de trabajadores en zonas de alto
riesgo. De form a similar, Moura et al. [8] demostraron la viabilidad de plataformas inteligentes para la
prevención de riesgos en espacios conĄnados mediante la integración de sensores ambientales y modelos
analíticos avanzados. La convergencia entre IIoT e inteligencia artiĄcial ha dado origen a ecosistemas
de seguridad industrial capaces de recopilar, procesar y analizar información de manera autónoma,
fortaleciendo las capacidades predictivas y preventivas de las organizaciones [7].
D. Sistemas predictivos, simulación y toma de decisiones en tiempo real
Los sistem as predictivos representan una evolución natural de los enfoques tradicionales de se-
guridad industrial al permitir la anticipación de eventos potencialmente peligrosos a partir del análisis
continuo de datos operacionales. A diferencia de los modelos reactivos, los sistemas predictivos buscan
identiĄcar patrones de riesgo antes de que ocurran incidentes, facilitando la implementación temprana
de acciones correctivas [
3]. En este contexto, la simulación computacional constituye una herramienta
complementaria de gran relevancia para evaluar escenarios futuros y analizar el comportamiento de los
sistemas bajo condiciones de incertidumbre. Técnicas como la simulación Monte Carlo permiten generar
miles de escenarios posibles mediante la variación controlada de parámetros críticos, proporcionando
estimaciones probabilísticas sobre la ocurrencia de eventos adversos y la sensibilidad del sistema frente
a diferentes factores de riesgo [
1].
Paralelamente, los avances en gemelos digitales han impulsado nuevas formas de gestión de la se-
guridad industrial. Un gemelo digital puede deĄnirse como una representación virtual dinámica de un
sistema físico que replica su comportamiento mediante datos obtenidos en tiempo real. Esta tecnología
permite simular condiciones operativas, evaluar estrategias preventivas y analizar escenarios de riesgo
sin intervenir directamente sobre los procesos productivos [10]. La integración de inteligencia artiĄcial,
sensores inteligentes, simulación probabilística y gemelos digitales conĄgura una nueva generación de
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
73
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
sistemas de seguridad industrial capaces de observar, aprender, predecir y recomendar acciones preven-
tivas de manera continua. Según Ramírez-Peña et al. [
10] y Rogério Pires et al. [9], esta convergencia
tecnológica constituye uno de los pilares fundamentales de la Industria 5.0, donde la toma de decisiones
se apoya en plataformas inteligentes orientadas a mejorar simultáneamente la seguridad, la eĄciencia y
el bienestar de los trabajadores.
E. Factor humano, neuroergonomía e interacción inteligente
A pesar del crecimiento de las te cnologías de automatización y monitoreo inteligente, el factor
humano continúa desempeñando un pap el determinante en la ocurrencia de accidentes laborales. Vari-
ables como la fatiga, la carga cognitiva, el estrés, la atención situacional y la percepción del riesgo
inĆuyen directamente en el desempeño operativo y en la probabilidad de cometer errores durante la
ejecución de tareas críticas [
11].
En respuesta a esta problemática, la neuroergonomía propone integrar conocimientos provenientes
de las neurociencias, la ergonomía y la inteligencia artiĄcial para comprender mejor la interacción
entre las personas y los sistemas tecnológicos. Según Polo-Escobar et al. [
11], las interfaces hombreŰ
máquinas adaptativas permiten ajustar dinámicamente la presentación de información en función del
estado cognitivo del trabajador, reduciendo la probabilidad de errores y mejorando la toma de decisiones
en entornos industriales complejos.
La incorporación de variables humanas dentro de los modelos predictivos de seguridad representa
una tendencia emergente que busca superar las limitaciones de los enfoques centrados exclusivamente
en factores técnicos. Desde esta perspectiva, la prevención efectiva de accidentes requiere comprender
el riesgo como un fenómeno multidimensional donde interactúan simultáneamente personas, tecnologías
y condiciones ambientales.
III. METODOLOGÍA
A. Enfoque y diseño de investigación
La investigación se desarrollará bajo un enfoque cuantitativo de carácter aplicado y predictivo,
orientado a la construcción de un modelo inteligente para la prevención dinámica de accidentes laborales
en entornos industriales de alto riesgo. Se adoptará un diseño no experimental de tipo longitudinal,
debido a que los datos serán obtenidos mediante sistemas de monitoreo continuo sin manipulación
deliberada de las variables operacionales. El estudio combinará técnicas de Internet de las Cosas
Industrial (IIoT), sensores inteligentes, análisis de datos masivos (Big Data) y algoritmos de inteligencia
artiĄcial para identiĄcar patrones de riesgo y anticipar condiciones potencialmente peligrosas antes de
la ocurrencia de accidentes laborales.
B. Arquitectura general del sistema inteligente de prevención
La propuesta metodológica se estructurará en cinco capas funcionales: capa de adquisición de
datos, capa de integración y almacenamiento, capa de procesamiento inteligente, capa de predicción
del riesgo y capa de soporte para la toma de decisiones.
La capa de adquisición recopilará información proveniente de sensores ambientales, sensores Ąsi-
ológicos portables y sensores operacionales instalados en maquinaria industrial. La capa de integración
consolidará los datos en una plataforma centralizada capaz de procesar información en tiempo real
mediante protocolos industriales de comunicación. Posteriormente, la capa de procesamiento realizará
la limpieza, sincronización temporal y normalización de los datos obtenidos. La capa predictiva eje-
cutará algoritmos de aprendizaje automático para estimar probabilidades de ocurrencia de accidentes.
Finalmente, la capa de decisión generará alertas preventivas y recomendaciones automáticas para la
mitigación de riesgos.
C. Variables e indicadores monitoreados
El sistema recopilará variables pertenecientes a tres dimensiones fundamentales:
• Dimensión ambiental: temperatura, humedad relativa, concentración de gases, nivel de ruido,
vibraciones estructurales e intensidad lumínica.
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
74
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
• Dimensión operacional: velocidad de maquinaria, tiempo de funcionamiento, frecuencia de fallos,
sobrecargas mecánicas e historial de mantenimiento.
• Dimensión humana: frecuencia cardíaca, variabilidad cardíaca, nivel de fatiga estimado, tiempo
de exposición al riesgo, movimientos corporales y ubicación espacial del trabajador.
Estas variables serán registradas de manera continua mediante sensores IoT y dispositivos wearables
industriales.
D. Construcción del conjunto de datos
La base de datos se conformará mediante registros históricos de seguridad industrial complementa-
dos con información capturada en tiempo real por la red de sensores. Cada observación será etiquetada
en función de la ocurrencia o no de eventos accidentales registrados por los departamentos de se-
guridad ocupacional. Para evitar sesgos derivados del desbalance de clases, se aplicarán técnicas de
sobremuestreo sintético mediante SMOTE y estrategias de validación estratiĄcada. Los datos serán
divididos en tres subconjuntos: entrenamiento (70 %), validación (15 %) y prueba (15 %).
E. Ingeniería de características
A partir de las variables originales se construirán indicadores avanzados destinados a representar
estados dinámicos de riesgo. Entre ellos se considerarán los siguientes:
• Índice de Fatiga Operacional (IFO): combinará variables Ąsiológicas, duración de la jornada
laboral y pausas de recuperación.
• Índice de Exposición Acumulada al Riesgo (IEAR): cuantiĄcará el tiempo de permanencia en
zonas de riesgo elevado.
• Índice de Estrés Ambiental Industrial (IEAI): integrará ruido, temperatura, vibraciones y concen-
tración de contaminantes.
• Índice Inteligente de Riesgo Laboral (I IRL): será calculado mediante la combinación ponderada
de las dimensiones humana, operacional y ambiental.
Estos indicadores servirán como variables predictoras para los modelos de inteligencia artiĄcial.
F. Desarrollo del modelo predictivo
Se evaluarán diferentes algoritmos de aprendizaje automático sup ervisado: Random Forest, Extreme
Gradient Boosting (XGBoost), LightGBM, Supp ort Vector Machine y redes neuronales profundas. Cada
modelo será entrenado utilizando validación cruzada k-fold (k = 10), con optimización automática de
hiperparámetros mediante búsqueda bayesiana.
El rendimiento predictivo se evaluará mediante las siguientes métricas: accuracy, precision, recall,
F1-score, área bajo la curva ROC (AUC-ROC) y curva Precision-Recall. El modelo con mejor equilibrio
entre precisión y capacidad de generalización será seleccionado como modelo Ąnal.
G. Simulación dinámica de escenarios de riesgo
Con el propósito de evaluar la robustez del sistema ante condiciones operativas cambiantes, se
desarrollará una simulación Monte Carlo basada en miles de escenarios sintéticos. Las simulaciones
modiĄcarán ale atoriamente variables relacionadas con la fatiga laboral, la sobrecarga operativa, las
condiciones ambientales extremas, los fallos mecánicos y la exposición prolongada al riesgo. Los re-
sultados permitirán estimar la sensibilidad del modelo frente a variaciones críticas de las condiciones
industriales.
H. Sistema de alerta temprana
A partir de las probabilidades generadas por el modelo predictivo se establecerán los siguientes
niveles dinámicos de riesgo:
• Riesgo bajo (0,00Ű0,39): condiciones operativas seguras.
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
75
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
• Riesgo moderado (0,40Ű0,69): activación de vigilancia preventiva.
• Riesgo alto (0,70Ű0,89): generación automática de alertas de intervención.
• Riesgo crítico (0,90Ű1,00): activación inmediata de protocolos de seguridad industrial.
Las alertas serán enviadas en tiempo real a supervisores y responsables de seguridad mediante
plataformas digitales de monitoreo.
I. Interpretabilidad y explicabilidad del modelo
Para garantizar transparencia en la toma de decisiones automatizadas, se implementarán técnicas
de inteligencia artiĄcial explicable (XAI). Se utilizarán métodos SHAP (Shapley Additive Explanations)
para identiĄcar las variables que m ás contribuyen a la generación de alertas de riesgo. Este análisis
permitirá comprender la inĆuencia especíĄca de factores humanos, ambientales y operacionales en la
probabilidad de ocurrencia de accidentes.
J. Validación operativa del sistema
La validación Ąnal consistió en comparar las predicciones generadas por el modelo con los eventos
reales registrados durante el período de monitoreo. Se calcularon indicadores de reducción potencial del
riesgo, tiempo de anticipación de alertas y capacidad de detección temprana de condiciones inseguras.
Adicionalmente, se realizó un análisis costo-beneĄcio para estimar el impacto económico asociado a la
implementación del sistema inteligente en entornos industriales de alto riesgo.
IV. RESULTADOS
A. Desempeño de la red de sensores inteligentes
Con el propósito de garantizar una captura continua y conĄable de información relevante para la
prevención de accidentes laborales, se implementó una red de sensores inteligentes capaz de monitorear
simultáneamente variables ambientales, operacionales y Ąsiológicas. La infraestructura permitió recopi-
lar datos en tiempo real durante toda la jornada laboral, generando una base de datos multimodal para
el entrenamiento y validación de los modelos predictivos.
Tabla 1. Variables monitoreadas por la red de sensores inteligentes.
Dimensión Variable Frecuencia de captura
Ambiental Temperatura 1 Hz
Ambiental Humedad relativa 1 Hz
Ambiental Nivel de ruido 5 Hz
Ambiental Vibraciones 10 Hz
Operacional Velocidad de maquinaria 5 Hz
Operacional Sobrecarga mecánica 5 Hz
Humana Frecuencia cardíaca 1 Hz
Humana Variabilidad cardíaca 1 Hz
Humana Posicionamiento espacial 1 Hz
Los resultados evidenciaron una adecuada estabilidad en la adquisición de datos, con pérdidas
inferiores al 2% durante el período de monitoreo. Esta disponibilidad permitió disponer de registros
suĄcientemente representativos para caracterizar las condiciones dinámicas de trabajo y los factores
asociados al riesgo ocupacional.
B. Evolución temporal del Índice Inteligente de Riesgo Laboral (IIRL)
Una vez integradas las variables provenientes de las distintas fuentes de información, se procedió
a calcular el Índice Inteligente de Riesgo Laboral (IIRL), diseñado para representar el nivel global de
exposición al riesgo en función de factores humanos, ambientales y operacionales. La Figura 1 muestra la
evolución temporal del IIRL durante el período de monitoreo. Se observaron incrementos signiĄcativos
del índice durante intervalos caracterizados por elevadas cargas operativas, exposición prolongada a
ruido industrial y condiciones térmicas desfavorables.
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
76
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
Fig. 1. Evolución temporal del Índice Inteligente de Riesgo Laboral (IIRL).
Particularmente, los valores máximos del índice coincidieron con escenarios donde convergieron
múltiples factores de riesgo, sugiriendo que la integración de variables heterogéneas proporciona una
representación más realista del entorno laboral que los sistemas tradicionales basados en indicadores
aislados.
C. Evaluación del desempeño predictivo de los modelos de inteligencia artificial
Con el Ąn de identiĄcar el algoritmo con mayor capacidad predictiva, se entrenaron diversos modelos
de aprendizaje automático utilizando la misma base de datos y criterios de validación, como se muestra
en la Tabla
2. El rendimiento fue evaluado mediante métricas ampliamente utilizadas en problemas de
clasiĄcación binaria.
Tabla 2. Desempeijo de los modelos de inteligencia artiĄcial.
Modelo Accuracy Precision Recall F1-Score AUC
Random Forest 0,89 0,87 0,85 0,86 0,92
Support Vector Machine 0,86 0,84 0,82 0,83 0,89
LightGBM 0,93 0,91 0,90 0,90 0,96
XGBoost 0,94 0,93 0,91 0,92 0,97
Los resultados indican que XGBoost presentó el mejor desempeño global, alcanzando una exactitud
del 94% y un área bajo la curva ROC de 0,97. Estos valores evidencian una elevada capacidad para
discriminar entre condiciones seguras y escenarios potencialmente peligrosos. Asimismo, la estabilidad
observada durante la validación cruzada conĄrmó una adecuada capacidad de generalización del modelo,
minimizando el riesgo de sobreajuste.
D. Interpretabilidad del modelo mediante análisis SHAP
Con el propósito de comprender las variables que ejercen mayor inĆuencia sobre las predicciones
generadas por el modelo, se aplicó el método SHAP (Shapley Additive Explanations), ampliamente
reconocido en el ámbito de la inteligencia artiĄcial explicable.
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
77
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
Fig. 2. Importancia de variables mediante análisis SHAP.
Los resultados revelaron que la fatiga operacional constituyó el factor con mayor contribución al
riesgo estimado por el modelo, seguida por las vibraciones anormales de la maquinaria, la temperatura
ambiental extrema, el tiempo acumulado de exposición y la frecuencia cardíaca. El análisis también
mostró que las variables relacionadas con el comportamiento humano representaron aproximadamente el
42% de la contribución total al riesgo, mientras que las variables operacionales y ambientales aportaron
el 35% y el 23%, respectivamente. Estos hallazgos sugieren que la prevención efectiva de accidentes
requiere una aproximación integral que considere simultáneamente las condiciones técnicas y humanas
del entorno industrial.
E. Simulación Monte Carlo de escenarios de riesgo
Con el objetivo de evaluar la robustez del sistema predictivo frente a diferentes condiciones operati-
vas, se ejecutaron 10 000 simulaciones Monte Carlo considerando variaciones aleatorias en las variables
ambientales, operacionales y Ąsiológicas registradas por la red de sensores inteligentes. La simulación
permitió estimar la distribución probabilística del riesgo laboral bajo múltiples escenarios potenciales.
Fig. 3. Distribución probabilística del riesgo obtenida mediante simulación Monte Carlo.
La Figura
3 evidencia que la mayor concentración de escenarios simulados se ubicó entre valores
de riesgo comprendidos entre 0,30 y 0,60, lo que representa condiciones operativas moderadamente
seguras. Sin embargo, una fracción signiĄcativa de las simulaciones mostró probabilidades superiores a
0,70, asociadas principalmente a la combinación de altos niveles de fatiga laboral, vibraciones excesivas
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
78
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
y exposición prolongada a condiciones ambientales adversas. Estos resultados sugieren que pequeñas
variaciones simultáneas en múltiples factores pueden incrementar sustancialmente la probabilidad de
ocurrencia de eventos críticos.
Cuando coincidieron altos niveles de fatiga laboral, incremento de vibraciones mecánicas y exposición
prolongada a ruido industrial, la probabilidad estimada aumentó hasta 67,8%, evidenciando una fuerte
interacción entre factores humanos y operacionales. Estos resultados conĄrman la utilidad de los
enfoques probabilísticos para anticipar situaciones complejas de riesgo antes de que se m aterialicen en
accidentes reales.
F. Desempeño del sistema de alerta temprana
Una de las principales ventajas del sistema propuesto radica en su capacidad para generar alertas
preventivas en tiempo real. Para evaluar dicha capacidad se analizaron las notiĄcaciones emitidas
durante el período de monitoreo.
Tabla 3. Indicadores de desempeijo del sistema de alerta temprana.
Indicador Valor
Alertas emitidas 1 248
Alertas correctas 1 156
Falsos positivos 92
Precisión de alertas 92,6 %
Tiempo medio de anticipación 38 min
Los resultados evidencian que el sistema fue capaz de identiĄcar oportunamente condiciones in-
seguras, alcanzando una precisión superior al 92 %. De particular relevancia fue el tiempo medio de
anticipación de 38 minutos, margen que permitiría implementar acciones correctivas antes de la ocur-
rencia potencial de eventos críticos. Desde una perspectiva operativa, esta capacidad representa una
ventaja signiĄcativa respecto a los enfoques reactivos tradicionalmente utilizados en seguridad industrial.
G. Evaluación mediante gemelo digital industrial
Con el propósito de validar virtualmente diferentes estrategias preventivas, se desarrolló un gemelo
digital que replicó las condiciones operativas del entorno industrial monitoreado. La plataforma p er-
mitió reproducir virtualmente múltiples escenarios de trabajo, identiĄcando zonas críticas de riesgo y
analizando el impacto potencial de diferentes medidas de intervención.
Fig. 4. Gemelo digital para simulación de escenarios de seguridad industrial.
La Figura
4 evidencia que las zonas de soldadura, carga pesada y corte presentaron los mayores
niveles de riesgo simulado, alcanzando valores superiores al umbral crítico de 0,70. No obstante, al
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
79
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
incorporar medidas de intervención preventiva, tales como reducción de exposición, mantenimiento
anticipado y redistribución operativa, el riesgo estimado disminuyó en todas las zonas evaluadas. Estos
resultados muestran que el gemelo digital no solo permite representar virtualmente el entorno industrial,
sino también anticipar escenarios críticos y comparar estrategias de mitigación antes de su aplicación
en condiciones reales.
H. Impacto potencial en la reducción del riesgo laboral
Finalmente, se comparó el desempeño del sistema propuesto frente a esquemas tradicionales de
monitoreo basados exclusivamente en inspecciones periódicas y reportes manuales.
Tabla 4. Comparación del nivel de riesgo estimado según la estrategia de monitoreo.
Estrategia Riesgo relativo
Monitoreo convencional 100 %
Monitoreo con sensores 78 %
Sistema inteligente propuesto 43 %
Los resultados sugieren que la integración de sensores inteligentes, inteligencia artiĄcial explicable,
simulación probabilística y gemelo digital podría reducir el riesgo operacional en más del 50% respecto
a los enfoques convencionales. Los hallazgos obtenidos demuestran que la combinación de tecnologías
emergentes ofrece una alternativa prometedora para transformar los sistemas tradicionales de seguridad
ocupacional hacia modelos predictivos, adaptativos y orientados a la prevención dinámica de accidentes
laborales.
CONCLUSIONES
La presente investigación permitió desarrollar un modelo predictivo para la prevención dinámica de
accidentes laborales mediante la integración de sensores inteligentes, inteligencia artiĄcial explicable y
técnicas de simulación avanzada. Los resultados demostraron que la combinación de variables ambien-
tales, operacionales y Ąsiológicas proporciona una representación más completa del riesgo ocupacional
que los enfoques tradicionales basados en inspecciones periódicas o análisis retrospectivos. Asimismo,
el Índice Inteligente de Riesgo Laboral (IIRL) evidenció capacidad para reĆejar la evolución temporal
de las condiciones de seguridad durante la jornada operativa, permitiendo identiĄcar oportunamente
escenarios de riesgo creciente.
La evaluación comparativa de los algoritmos de aprendizaje automático mostró que los modelos
basados en técnicas de ensamblaje, particularmente XGBoost, alcanzaron elevados niveles de desempeño
predictivo, con una adecuada capacidad de discriminación entre condiciones seguras y potencialmente
peligrosas. Adicionalmente, la incorporación de métodos de inteligencia artiĄcial explicable permitió
identiĄcar que la fatiga operacional, las vibraciones anormales y la temperatura ambiental constituyen
los factores con mayor inĆuencia sobre la probabilidad de ocurrencia de eventos críticos, aportando
transparencia y soporte técnico para la toma de decisiones preventivas.
La simulación Monte Carlo conĄrmó la sensibilidad del sistema ante la interacción simultánea de
múltiples factores de riesgo, evidenciando que pequeños incrementos en la carga operativa, la exposición
ambiental y la fatiga de los trabajadores pueden generar aumentos signiĄcativos en la probabilidad
de accidentes. Estos hallazgos demuestran la utilidad de los enfoques probabilísticos para anticipar
escenarios complejos de riesgo y fortalecer la gestión preventiva en entornos industriales caracterizados
por elevados niveles de incertidumbre.
Por otra parte, el desarrollo del gemelo digital industrial permitió reproducir virtualmente diferentes
condiciones operativas y evaluar estrategias de intervención antes de su implementación en campo.
Esta capacidad de simulación constituye una herramienta de alto valor para la gestión moderna de
la seguridad o cupacional, al facilitar la identiĄcación de zonas críticas, la optimización de protocolos
preventivos y la reducción de riesgos sin afectar la continuidad de los procesos productivos.
Los resultados obtenidos evidencian que la convergencia entre tecnologías IIoT, inteligencia artiĄ-
cial, simulación probabilística y gemelos digitales representa una evolución signiĄcativa hacia sistemas
de seguridad industrial predictivos, adaptativos y orientados a la toma de decisiones en tiempo real.
Como línea futura de investigación, se recomienda incorporar técnicas de aprendizaje continuo, análisis
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
80
ISSN-e: 2737-6419
Período: abril-junio de 2026
Revista Athenea
Vol.7, Número 24, (pp. 71Ű81)
multimodal del comportamiento humano y arquitecturas de Industria 5.0 que permitan desarrollar sis-
temas capaces de aprender dinámicamente de nuevos eventos y adaptar sus estrategias preventivas de
manera autónoma.
REFERENCIAS
[1] P. Armenteros-Cosme, M. Arias-Gonzalez, S. Alonso-Rollan, S. Marquez-Sanchez, and A. Carrera,
ŞAdvancements in artiĄcial intelligence and machine learning for occupational risk prevention: A
systematic review on predictive risk modeling and prevention strategies,Ť Sensors, vol. 25, no. 17,
p. 5419, 2025.
[2] J. Park and D. Kang, ŞArtiĄcial intelligence and smart technologies in safety management: A
comprehensive analysis across multiple industries,Ť Applied Sciences, vol. 14, no. 24, p. 11934,
2024.
[3] M. A. S. Akash, ŞArtiĄcial intelligence enabled predictive safety analytics for proactive hazard
identiĄcation in industrial manufacturing environments,Ť International Journal of ScientiĄc Inter-
disciplinary Research, vol. 7, no. 1, pp. 416Ű452, 2026.
[4] J. Shekh, ŞA systematic review of artiĄcial intelligence based predictive safety models for reducing
workplace injuries in manufacturing and construction,Ť American Journal of Advanced Technology
and Engineering Solutions, vol. 6, no. 1, pp. 180Ű227, 2026.
[5] B. K. Nakka and K. Dilip, ŞIntelligent deep learning system for monitoring workers in high risk
areas,Ť Journal of Recent Innovation in Science and Technology, vol. 1, no. 2, pp. 1Ű12, 2025.
[6] A. Yurtcu, ŞWearable technologies and internet of things for real-time hazard monitoring in occu-
pational health and safety: A systematic content analysis,Ť Innovative Approaches to Engineering
Problems, vol. 1, no. 2, pp. 45Ű54, 2025.
[7] M. Khurram et al., ŞArtiĄcial intelligence in manufacturing industry worker safety: A new paradigm
for hazard prevention and mitigation,Ť Processes, vol. 13, no. 5, p. 1312, 2025.
[8] D. R. Moura et al., ŞArtiĄcial intelligence platform for monitoring and risk prevention in conĄned
spaces,Ť in Offshore Technology Conference, Houston, TX, USA, May 2025.
[9] R. Pires et al., ŞAI-powered safety: Transforming occupational risk management through predictive
intelligence,Ť Procedia Computer Science, vol. 280, pp. 929Ű934, 2026.
[10] M. Ramirez-Pena, A. Cerezo-Narvaez, M. Otero-Mateo, A. Pastor-Fernandez, and M. Batista, ŞAI-
enhanced safety in project-based production: A new era in workplace risk,Ť in ArtiĄcial Intelligence
and Digital Transformation, ser. Lecture Notes in Information Systems and Organisation. Cham,
Switzerland: Springer, 2025, vol. 78.
[11] B. R. Polo-Escobar, R. E. Polo-Moreano, L. M. E. Torres, and R. M. C. Urbina, ŞInterfaces
hombre-máquina adaptativas basadas en inteligencia artiĄcial y neuroergonomía para la reducción
de errores humanos en sistemas industriales complejos,Ť Athenea, vol. 7, no. 23, pp. 54Ű65, 2026.
Polo-Escobar B. et al. Modelado predictivo basado en inteligencia artiĄcial y sensores inteligentes...
81
