Innovación en la identificación de riesgos medioambientales de los SG-SST mediante el uso de inteligencia artificial
Cargando...
Fecha
Autores
Colina Ramos, Juan Esteban
Enlace al recurso
DOI
gruplac
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
Se realizó una revisión bibliográfica y documental examinando la incorporación de técnicas de
Inteligencia Artificial (IA) en los Sistemas de Gestión de la Seguridad y Salud en el Trabajo
(SG-SST) para la detección temprana de riesgos medioambientales, identificando algunos
enfoques basados en aprendizaje automático supervisado y no supervisado tales como redes
neuronales convolucionales y algoritmos de clustering permiten identificar patrones de
contaminación, variaciones de partículas en suspensión y anomalías térmicas que, con métodos
convencionales, pasarían inadvertidos o requerirían procesos manuales prolongados (Tang et al., 2024; Fazli et al., 2025). En un contexto en el que la complejidad de los entornos industriales y extractivos crece exponencialmente, estas herramientas ofrecen un análisis continuo de series
temporales y flujos de datos en tiempo real, reduciendo tanto el margen de error como los falsos positivos (Abiodun et al., 2023).
En el presente contexto tecnológico, la integración de sensores de Internet de las Cosas (IoT) y
vehículos aéreos no tripulados (drones) otorga a los sistemas de gestión de seguridad en el trabajo (SG-SST) la posibilidad de disponer de fuentes de información multisensorial que alimentan las plataformas en la nube de inteligencia artificial (IA). De esta forma, se generan tableros interactivos que permiten representar geo-espacialmente la distribución de contaminantes, así como la capacidad de emitir alertas automáticas al superarse umbrales críticos previamente definidos según normativa (AutCon, 2024; Mariano, Almada & Dutra, 2024). Todos estos sistemas, además de aprender a partir de nuevos datos de campo, son capaces de adaptar sus propios modelos mediante la retroalimentación continua, incluyendo también la cultura de la prevención, lo que permite llevar a cabo la planificación proactiva de las medidas de mitigación (Xu & Saleh, 2020).
La revisión consiste en la incorporación de la inteligencia artificial (IA) a los Sistemas de Gestión
de la Seguridad y Salud en el Trabajo (SG-SST) para la detección temprana de los riesgos
medioambientales. Se han extraído aplicaciones de aprendizaje automático, visión por computador y modelos de series temporales conjugados con la integración de sensores IoT y drones para la captura de datos en tiempo real a partir de literatura científica, informes técnicos y casos de estudio.
Dichos resultados muestran que estas herramientas permiten reducir el margen de error y los falsos positivos, así como incrementar la capacidad predictiva y por tanto favorecer una toma de decisiones en base a datos en el momento oportuno. La revisión, por otro lado, pone de manifiesto la necesidad de contar con marcos éticos y normativos que garanticen la transparencia en los algoritmos, así como procesos participativos desde la validación y la capacitación con los trabajadores. En definitiva, la IA no se configura únicamente como un recurso de monitoreo, sino como un elemento transformador en la cultura de la organización y en la gestión medioambiental.
Esta investigación ofrece un marco metodológico que puede ser replicado en diferentes sectores desde la construcción hasta la minería y sirve como punto de partida para la elaboración de futuros estándares de SG-SST basados en evidencia y sostenibilidad. Tal como apuntan (Assies 2000) y (Grimson 2011) en el ámbito de la justicia epistémica, reconocer la experiencia de los trabajadores desde la realidad local en la calibración de modelos que garantizan una gestión de riesgos más justa y resiliente, capaz de hacer un balance entre las exigencias de productividad y la protección del entorno y salud en el trabajo.
Abstract
A bibliographic and documentary review was conducted examining the incorporation of Artificial Intelligence (AI) techniques into Occupational Health and Safety Management Systems (SG-SST) for the early detection of environmental risks. Several approaches based on supervised and unsupervised machine learning, such as convolutional neural networks and clustering algorithms, were identified as effective for detecting patterns of pollution, variations in suspended particles, and thermal anomalies that would otherwise go unnoticed or require extensive manual processes with conventional methods (Tang et al., 2024; Fazli et al., 2025). In a context where the complexity of industrial and extractive environments is growing xponentially, these tools enable continuous analysis of time series and real-time data streams, reducing both error margins and false positives (Abiodun et al., 2023).
In the current technological landscape, the integration of Internet of Things (IoT) sensors and
unmanned aerial vehicles (drones) provides occupational safety management systems (SG-SST)
with multisensory information sources that feed AI cloud platforms. This integration allows the
development of interactive dashboards capable of geospatially representing pollutant distribution and issuing automatic alerts when critical thresholds, previously defined according to regulations, are exceeded (AutCon, 2024; Mariano, Almada & Dutra, 2024). Furthermore, these systems not only learn from new field data but also adapt their models through continuous feedback, reinforcing a culture of prevention and enabling proactive planning of mitigation measures (Xu & Saleh, 2020).
This literature review addresses the integration of AI into SG-SST for the early detection of
environmental risks. Applications of machine learning, computer vision, and time-series modeling combined with IoT sensors and drones for real-time data collection were identified from scientific literature, technical reports, and case studies. The findings show that these tools reduce error margins and false positives, enhance predictive capacity, and support timely, data-driven decisionmaking. At the same time, the review highlights the need for ethical and regulatory frameworks that ensure algorithmic transparency, as well as participatory processes that involve worker validation and training. Thus, AI emerges not merely as a monitoring resource but as a transformative element in organizational culture and environmental management.
This research offers a methodological framework that can be replicated across multiple sectors,
from construction to mining, and serves as a starting point for the development of future SG-SST standards grounded in evidence and sustainability. As emphasized by Assies (2000) and Grimson (2011) in the field of epistemic justice, acknowledging workers’ experience and local realities in model calibration ensures fairer and more resilient risk management, capable of balancing productivity demands with the protection of the environment and occupational health.
Idioma
spa
Palabras clave
Citación
Colina Ramos, J. (2025). Innovación en la identificación de riesgos medioambientales de los sg-sst mediante el uso de inteligencia artificial. [Trabajo de grado, Universidad Santo Tomás]. Repositorio Institucional
Colecciones
Licencia Creative Commons
Attribution-NonCommercial-NoDerivs 2.5 Colombia