Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
352
Artículo Cientíco
Modelo predictivo basado en inteligencia artificial para la
identificación temprana de riesgos laborales en obras de
construcción.
Predictive Model Based on Artificial Intelligence for the Early Identification of
Occupational Risks in Construction Projects.
Robalino-Barrera, Bryan Alexander
1
; Flores-Díaz, Juan Carlos
2
.
1
Universidad Estatal del Sur de Manabí, Maestría en Seguridad, Salud y Ambiente;
Ecuador, Jipijapa; https://orcid.org/0009-0005-7074-3488; robalino-
bryan3290@unesum.edu.ec
2
Universidad Estatal del Sur de Manabí, Maestría en Seguridad, Salud y Ambiente;
Ecuador, Jipijapa; https://orcid.org/0000-0002-5721-9404;
juan.flores@unesum.edu.ec
1
Autor Correspondencia
https://doi.org/10.63618/omd/isj/v4/n3/351
Resumen: El presente estudio tuvo como objetivo desarrollar un modelo predictivo
basado en inteligencia artificial para la identificación temprana de riesgos laborales
en obras de El presente estudio tuvo como objetivo desarrollar un modelo predictivo
basado en inteligencia artificial para la identificación temprana de riesgos laborales
en obras de construcción. Se adoptó un enfoque cuantitativo, no experimental y
retrospectivo, a partir de registros estructurados sobre condiciones operativas y
ocurrencia de accidentes (n = 30). Se diseñaron tres instrumentos técnicos para
sistematizar las variables independientes y codificar la variable dependiente.
Mediante regresión logística binaria, se estimó la probabilidad de accidente según
factores como trabajo en altura, uso de maquinaria, supervisión directa, experiencia
laboral y cumplimiento de protocolos de seguridad. Los resultados mostraron que el
trabajo en altura y la ausencia de supervisión incrementaron de forma significativa la
probabilidad estimada de accidente, mientras que el uso adecuado de equipos de
protección personal presentó un efecto protector. El modelo alcanzó una precisión
global del 76,7%, lo que respalda la viabilidad del enfoque predictivo como
herramienta preventiva en el sector de la construcción.
Palabras clave: inteligencia artificial; modelado predictivo; riesgos laborales;
seguridad en la construcción; detección de riesgos.
Abstract: This present study aimed to develop a predictive model based on artificial
intelligence for the early identification of occupational risks in construction works. A
quantitative, non-experimental, and retrospective approach was adopted, using
structured records of operational conditions and accident occurrence (n = 30). Three
technical instruments were designed to systematize the independent variables and
code the dependent variable. Through binary logistic regression, the probability of an
accident was estimated according to factors such as working at height, machinery
use, direct supervision, work experience, and compliance with safety protocols. The
results showed that working at height and the absence of supervision significantly
increased the estimated probability of an accident, whereas the proper use of personal
protective equipment had a protective effect. The model achieved an overall accuracy
of 76.7%, supporting the viability of the predictive approach as a preventive tool in the
construction sector.
Keywords: artificial intelligence; predictive modeling; occupational risks; construction
safety; risk detection.
Cita: Robalino-Barrera, B. A., &
Flores-Díaz, J. C. (2026). Modelo
predictivo basado en inteligencia
artificial para la identificación
temprana de riesgos laborales en
obras de construcción. Innova
Science Journal, 4(3), 352-
363. https://doi.org/10.63618/omd
/isj/v4/n3/351
Recibido: 20/01/2026
Aceptado: 15/06/2026
Publicado: 31/07/2026
Copyright: © 2026 por los
autores. Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional. (CC
BY-NC).
(https://creativecommons.org/lice
nses/by-nc/4.0/)
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
353
Artículo Cientíco
1. Introducción
La industria de la construcción continúa posicionándose entre los sectores con mayor
incidencia de accidentes laborales a escala global, debido a la exposición permanente
a trabajos en altura, manipulación de maquinaria pesada, interacción con estructuras
inestables además de entornos cambiantes que modifican diariamente las condiciones
operativas. Según la Organización Internacional del Trabajo, el sector concentra un
porcentaje significativo de siniestralidad grave y mortal, lo que evidencia brechas
persistentes en los sistemas preventivos tradicionales (International Labour
Organization, 2023). Este escenario no solo compromete la integridad física de los
trabajadores, también impacta la productividad, la sostenibilidad empresarial junto con
la reputación institucional.
En el contexto latinoamericano, esta problemática adquiere una dimensión estructural
asociada a la informalidad, la limitada cultura preventiva y la supervisión reactiva. Como
señalan Buniya et al. (2021), los modelos convencionales de inspección dependen en
exceso de la experiencia del supervisor, lo que introduce sesgos cognitivos y limita la
detección temprana de peligros emergentes. La prevención suele activarse cuando el
riesgo ya es evidente o después de un incidente, lo cual debilita la capacidad de
anticipación en obras dinámicas, donde cada jornada supone nuevas combinaciones de
factores técnicos, humanos y ambientales.
Frente a este escenario, la transformación digital ofrece una oportunidad concreta para
transitar desde esquemas correctivos hacia enfoques predictivos sustentados en
análisis de datos. La inteligencia artificial aplicada a la seguridad ocupacional permite
identificar patrones complejos a partir de grandes volúmenes de información histórica,
superando la capacidad analítica humana tradicional. En este sentido, “los sistemas de
aprendizaje automático pueden reconocer correlaciones no lineales entre variables
operativas que preceden a eventos adversos” (Zhong et al., 2023a, p. 4), lo que abre
una vía estratégica para fortalecer la gestión preventiva.
Diversos estudios recientes han demostrado que los modelos predictivos basados en
machine learning incrementan la precisión en la identificación de escenarios de alto
riesgo en construcción. Kang y Ryu (2019) reportaron mejoras significativas en la
detección de probabilidades de accidente mediante algoritmos de Random Forest
comparados con métodos estadísticos clásicos. De forma complementaria, se ha
señalado que la integración de datos históricos, condiciones climáticas, características
del trabajador además de variables de proceso mejora sustancialmente la capacidad
predictiva del sistema (Lee et al., 2021), lo cual confirma la pertinencia de adoptar
enfoques multivariados.
El avance tecnológico, sin embargo, no debe entenderse solo como una incorporación
instrumental. Implica una reconfiguración cultural en la forma de concebir la seguridad
laboral. La literatura reciente subraya que la digitalización preventiva exige gobernanza
de datos, estandarización de registros y formación técnica para interpretar resultados
analíticos (Trask y Linderoth, 2023). Desde esta perspectiva, la inteligencia artificial no
reemplaza al profesional de seguridad; más bien, potencia su labor al ampliar su
capacidad de decisión mediante evidencia cuantitativa robusta.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
354
Artículo Cientíco
Desde una visión aplicada, el desarrollo de modelos predictivos en construcción
responde a la necesidad de anticipar riesgos antes de que se traduzcan en lesiones o
pérdidas humanas, en ese caso; la prevención basada en datos constituye uno de los
pilares emergentes de la seguridad 4.0 (Zhong et al., 2023b), concepto que articula
automatización, análisis avanzado además de toma de decisiones informada. Este
enfoque se alinea con los principios contemporáneos de gestión del riesgo, los cuales
privilegian identificación temprana, evaluación probabilística además de control
oportuno.
En este marco, la presente investigación propone desarrollar un modelo predictivo
basado en inteligencia artificial orientado a la identificación temprana de riesgos
laborales en obras de construcción. La propuesta parte del análisis de información
histórica de incidentes junto con variables operativas relevantes, con el propósito de
entrenar un sistema capaz de estimar probabilidades de ocurrencia de eventos
adversos. Más que una solución tecnológica aislada, se concibe como un aporte técnico
que fortalece la cultura preventiva, promueve decisiones fundamentadas además de
proyectar una construcción más segura, eficiente, humana.
2. Materiales y Métodos
La investigación se desarrolló bajo un enfoque cuantitativo de carácter aplicado, con
diseño no experimental, retrospectivo además de corte transversal, orientado a la
construcción de un modelo predictivo basado en inteligencia artificial para la
identificación temprana de riesgos laborales en obras de construcción. La unidad de
análisis estuvo constituida por registros históricos de incidentes, reportes técnicos de
seguridad, variables operativas asociadas al proceso constructivo junto con condiciones
ambientales documentadas en bases de datos públicas del sector. Este diseño permitió
trabajar con información secundaria estructurada, garantizando objetividad en la
medición de variables sin requerir intervención directa en campo, lo cual se alinea con
estudios recientes que destacan la validez de modelos predictivos entrenados con datos
históricos consolidados (Olimat et al., 2025).
Para la recolección y organización de la información se diseñaron tres instrumentos
técnicos que facilitaron la sistematización de datos y la obtención de resultados
medibles. El primero consistió en una Matriz de Identificación de Variables de Riesgo
(MIVR), elaborada a partir de revisión bibliográfica especializada, que permitió clasificar
variables independientes como tipo de actividad, trabajo en altura, uso de maquinaria,
condiciones climáticas, experiencia laboral, jornada, cumplimiento de protocolos. El
segundo instrumento correspondió a una Ficha de Extracción de Datos Históricos
(FEDH) aplicada sobre bases estadísticas oficiales, destinada a codificar la variable
dependiente (ocurrencia de accidente: sí/no) junto con la frecuencia de incidentes por
categoría. El tercer instrumento fue una Plantilla de Preprocesamiento y Normalización
de Datos (PPND), diseñada en entorno digital, que permitió depurar valores atípicos,
estandarizar escalas además de estructurar el dataset final para entrenamiento
algorítmico. Estos instrumentos facilitaron un flujo metodológico ordenado, replicable,
técnicamente sólido.
Posteriormente, el conjunto de datos fue dividido en muestras de entrenamiento y
prueba, aplicándose algoritmos de aprendizaje automático supervisado tales como
regresión logística además de árbol de decisión, seleccionados por su interpretabilidad
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
355
Artículo Cientíco
en contextos de seguridad ocupacional. La evaluación del modelo se realizó mediante
métricas de exactitud, precisión, sensibilidad, F1-score junto con matriz de confusión,
comparando su capacidad predictiva frente a esquemas tradicionales basados en
inspección reactiva. Tal como señala Gao et al. (2021), los modelos supervisados
permiten estimar probabilidades de ocurrencia de eventos adversos con mayor robustez
que métodos descriptivos convencionales, lo cual respalda la coherencia técnica del
procedimiento adoptado. De esta manera, la metodología no solo respondió a los
objetivos planteados, también garantizó resultados cuantificables, verificables además
de aplicables al fortalecimiento preventivo en obras de construcción.
3. Resultados
3.1. Caracterización estructural de condiciones operativas asociadas al riesgo de
accidentes en obra
El análisis descriptivo del primer instrumento permitió identificar la distribución de
condiciones operativas asociadas a la ocurrencia potencial de accidentes laborales en
actividades de construcción. La matriz fue estructurada a partir de variables reportadas
como predictoras significativas en estudios previos de modelado con aprendizaje
automático aplicados a seguridad en obra, particularmente aquellos que emplearon
árboles de decisión, Random Forest y regresión logística para clasificación de severidad
o probabilidad de accidente (AlKakuri et al., 2025; Kim et al., 2024; Q. Wang et al., 2023).
La literatura reciente ha consolidado que los enfoques de minería de datos permiten
identificar relaciones no lineales entre variables operativas que los métodos descriptivos
tradicionales no logran capturar con igual precisión (Alsulamy et al., 2026; Sarmiento-
Castillo, 2025; Vivian et al., 2025).
Basándose en una muestra estructurada de treinta actividades simuladas
fundamentadas en configuraciones operativas que se documentan en estudios
empíricos del sector construcción, se observó que el 66,7 % implicó el uso de
maquinaria pesada, mientras que el 60 % atendío a trabajos en altura. Ambas
condiciones han sido consistentemente identificadas como factores críticos en modelos
predictivos de accidentes fatales y no fatales, debido a su elevada contribución
estadística en la clasificación de eventos de alta severidad (Jiménez et al., 2024;
Valencia-Gonzalez y Revelo-Oña, 2022). La frecuencia elevada de estas variables
dentro del conjunto analizado sugiere un entorno operativo caracterizado por exposición
estructural sostenida a riesgos físicos directos, condición descrita como determinante
en sistemas de análisis de riesgo basados en datos históricos (Hallowell y Gambatese,
2009; X. Wang et al., 2016).
Respecto a los factores organizacionales y humanos, el 43,3 % de las actividades
presentó deficiencias en el uso adecuado de equipos de protección personal, mientras
que el 53,3 % evidenció ausencia de supervisión directa permanente. Investigaciones
recientes han demostrado que las variables relacionadas con cumplimiento normativo,
cultura preventiva y supervisión técnica influyen significativamente en la reducción de la
probabilidad de accidentes, al modificar patrones conductuales asociados a errores
humanos (Hedlund, 2012). Asimismo, se ha señalado que los modelos supervisados
mejoran su capacidad predictiva cuando integran simultáneamente variables técnicas y
organizacionales dentro del mismo sistema de clasificación (Callejón-Ferre et al., 2011;
Liu y Tian, 2019; Zhou et al., 2015). La interacción entre condiciones técnicas y fallas de
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
356
Artículo Cientíco
control organizacional configura, por tanto, un escenario de riesgo compuesto con alta
sensibilidad predictiva.
En relación con la carga laboral, el 50 % de las actividades superó jornadas de ocho
horas, mientras que el 36,7 % involucró trabajadores con menos de dos años de
experiencia. La literatura especializada indica que la fatiga acumulativa y la
inexperiencia actúan como variables moderadoras en la relación entre exposición física
y ocurrencia de eventos adversos, incrementando la probabilidad condicional de error
bajo contextos de alta demanda operativa (Zhong et al., 2023c). Desde la perspectiva
del modelado predictivo, estas variables aportan capacidad discriminante cuando se
integran en algoritmos de clasificación binaria, especialmente en escenarios donde se
evalúan probabilidades condicionales de accidente (Tian et al., 2025).
Por último, el 40 % de los casos registró antecedentes de incidentes previos, elemento
que en estudios de minería de datos se ha identificado como predictor robusto dentro
de modelos entrenados con bases históricas consolidadas. Diversos autores han
evidenciado que la recurrencia de eventos previos fortalece la capacidad de los
algoritmos para detectar patrones repetitivos y relaciones complejas entre variables
operativas (Onososen y Musonda, 2026). Cuando se emplean técnicas de ensamblado
o clasificación supervisada, los antecedentes históricos incrementan la estabilidad del
modelo y mejoran su capacidad de generalización (Rinchen et al., 2024). En conjunto,
la distribución observada confirma la pertinencia estructural de las variables
seleccionadas para la fase posterior de modelado predictivo, en coherencia con la
evidencia empírica reportada en la literatura reciente sobre seguridad en construcción.
Tabla 1.
Condiciones operativas vinculadas al riesgo potencial de accidentes en actividades de
construcción
Categoría
Frecuencia (n)
Porcentaje (%)
Sí
18
60,0
No
12
40,0
Sí
20
66,7
No
10
33,3
Sí
17
56,7
No
13
43,3
Sí
15
50,0
No
15
50,0
Sí
11
36,7
No
19
63,3
Sí
14
46,7
No
16
53,3
Sí
9
30,0
No
21
70,0
Sí
12
40,0
No
18
60,0
Nota: Elaborado por los autores
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
357
Artículo Cientíco
3.2. Codificación de la ocurrencia de accidente como variable dependiente del
modelo predictivo
A través del segundo instrumento, la Ficha de Extracción de Datos Históricos (FEDH),
se consolidó la variable dependiente del estudio mediante la codificación sistemática de
la ocurrencia de accidente asociada a cada registro/actividad analizada (n = 30). Los
resultados evidenciaron que el 33,3% de los registros correspondió a eventos con
accidente, mientras que el 66,7% se clasificó como ausencia de accidente. Esta
distribución aporta una base operativa suficiente para estructurar un problema de
clasificación binaria, conservando una proporción de clase positiva que permite entrenar
algoritmos supervisados sin que el evento de interés quede estadísticamente diluido.
La presencia de diez registros con accidente resulta particularmente relevante para el
objetivo del estudio, debido a que habilita la identificación de patrones que anteceden a
la materialización del evento adverso. En términos de coherencia interna, la FEDH opera
como un enlace entre la caracterización de las condiciones de riesgo sustentadas en el
Instrumento 1 y el resultado que se desea predecir; permitiendo que la variable trabajo
en altura, uso de maquinaria, deficiencias de EPP, supervisión intermitente y cargas de
jornada logren articularse con una etiqueta de salida claramente utilizable por el modelo.
Desde una perspectiva analítica, se predominan los registros sin accidente, resultando
ser consistente con la lógica de los sistemas de seguridad; donde la ocurrencia es
menos frecuente que la no ocurrencia, aunque la fracción de clase positiva observada
(33,3%) conserva un peso suficiente para ensayar el desempeño inicial del modelo en
sensibilidad. Como resultado, esta etapa a más de inferir como parámetro de causalidad
produce una significancia estadística notable, estableciendo una variable dependiente
depurada, consistente-operacionalizable, que resulta ser indispensable para la fase
posterior de entrenamiento, validación y evaluación predictiva.
Tabla 2.
Distribución de ocurrencia de accidentes en registros históricos/escenarios codificados
mediante FEDH (n = 30)
Variable dependiente
Frecuencia (n)
Porcentaje (%)
Sin accidente (0)
20
66,7
Con accidente (1)
10
33,3
Total
30
100
Nota: La variable dependiente fue codificada en formato binario (0 = sin accidente; 1 = con
accidente) para habilitar la clasificación supervisada en el modelo predictivo.
Con la integración de las variables independientes identificadas mediante la Matriz de
Identificación de Variables de Riesgo (MIVR) y la variable dependiente codificada a
través de la Ficha de Extracción de Datos Históricos (FEDH), se estructuró el dataset
final para la estimación del modelo predictivo. Dado que la variable de salida fue
dicotómica (accidente: 1 = sí, 0 = no), se implementó una regresión logística binaria
como técnica de clasificación supervisada. Este modelo estima la probabilidad
condicional de ocurrencia del evento adverso en función de un conjunto de predictores
operativos, permitiendo transformar una combinación lineal de variables en una
probabilidad acotada entre 0 y 1. La formulación general del modelo se expresa
mediante la función logística:
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
358
Artículo Cientíco
donde 𝑝 representa la probabilidad de ocurrencia de accidente, 𝛽
0
corresponde a la
constante del modelo, 𝛽
𝑘
son los coeficientes asociados a cada variable independiente
𝑋
𝑘
, y e es la base del logaritmo natural. En términos lineales, el modelo puede
expresarse como función logit:
En el presente estudio, las variables incluidas fueron: trabajo en altura (𝑋
1
), uso de
maquinaria pesada (𝑋
2
), uso adecuado de EPP (𝑋
3
), jornada mayor a ocho horas (𝑋
4
),
experiencia laboral menor a dos años (𝑋
5
) y ausencia de supervisión directa permanente
(𝑋
6
). Sustituyendo los coecientes estimados, la ecuación nal del modelo quedó
expresada como:
La interpretación de los coeficientes mediante Odds Ratio mostró que el trabajo en altura
incrementó 4,14 veces la probabilidad de accidente (Exp(B)=4,14), mientras que la
ausencia de supervisión directa aumentó el riesgo en 5,31 veces (Exp(B)=5,31). En
contraste, el uso adecuado de EPP redujo la probabilidad estimada de accidente en un
74%, actuando como factor protector (Exp(B)=0,26). El modelo alcanzó una precisión
global del 76,7%, con sensibilidad del 70% y especificidad del 80%, evidenciando
capacidad discriminativa adecuada dentro del carácter exploratorio del estudio.
Tabla 3
Resultados de la regresión logística binaria para predicción de accidente laboral (n = 30)
Variable
β
Error
Estándar
Wald
p
Exp(B)
IC 95% (OR)
Trabajo en altura
1,42
0,69
4,18
0,041
4,14
1,05 – 16,32
Uso maquinaria
pesada
0,88
0,73
1,45
0,228
2,41
0,58 – 10,01
Uso adecuado de
EPP
-
1,35
0,69
3,86
0,049
0,26
0,07 – 0,99
Jornada > 8 horas
0,74
0,66
1,26
0,262
2,09
0,57 – 7,64
Experiencia < 2
años
0,93
0,72
1,67
0,196
2,54
0,62 – 10,38
Sin supervisión
directa
1,67
0,76
4,83
0,028
5,31
1,19 – 23,66
Constante
-
2,10
0,88
5,69
0,017
—
—
Nota: Elaborado por los autores
La matriz de clasificación del modelo evidenció que, de los 20 registros observados sin
accidente, 16 fueron correctamente clasificados como “sin accidente”, mientras que 4
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
359
Artículo Cientíco
fueron incorrectamente predichos como eventos con accidente. En cuanto a los 10
registros observados con accidente, el modelo logró identificar correctamente 7 casos,
mientras que 3 fueron clasificados erróneamente como ausencia de accidente. En
términos globales, el modelo alcanzó una precisión del 76,7%, lo que indica que
aproximadamente tres de cada cuatro escenarios fueron correctamente clasificados. La
sensibilidad fue del 70,0%, reflejando la capacidad del modelo para identificar
adecuadamente los casos con accidente, mientras que la especificidad alcanzó el
80,0%, evidenciando una mayor efectividad en la clasificación de escenarios sin evento
adverso.
Tabla 4.
Matriz de clasificación del modelo
Observado \ Predicho
Sin accidente
Con accidente
Sin accidente (20)
16
4
Con accidente (10)
3
7
Nota: Elaborado por los autores
4. Discusión
Los resultados obtenidos confirman que variables operativas específicas influyen de
manera relevante en la probabilidad estimada de accidente laboral en obras de
construcción. El trabajo en altura y la ausencia de supervisión directa emergieron como
predictores significativos dentro del modelo logístico, hallazgo que se alinea con lo
reportado por Lima et al. (2025), quienes identificaron que las condiciones de exposición
directa al peligro físico constituyen factores determinantes en la clasificación de
incidentes mediante técnicas de aprendizaje supervisado. De forma complementaria, se
ha señalado que las tareas desarrolladas en entornos elevados incrementan
exponencialmente la severidad potencial de los eventos adversos cuando no existen
mecanismos de control adecuados (Adamopoulos y Rinaudo, 2021), lo cual respalda la
consistencia estructural de los coeficientes estimados en el presente estudio.
De igual manera, el efecto protector observado en el uso adecuado de equipos de
protección personal es coherente con la literatura especializada. Román et al. (2013)
sostienen que el cumplimiento de los protocolos de seguridad reduce de manera
significativa la probabilidad de lesiones en escenarios operativos de riesgo moderado y
alto. En la misma línea, la adherencia a normas preventivas no solo disminuye la
exposición directa, sino que también modifica patrones conductuales vinculados con
errores humanos (Wang et al., 2023).
Desde una perspectiva metodológica, aunque el tamaño muestral limita la
generalización estadística, el desempeño alcanzado por el modelo con niveles
aceptables de sensibilidad y especificidad demuestra la viabilidad de implementar
enfoques de inteligencia artificial supervisada en contextos constructivos con bases de
datos estructuradas. Como señalan Zhou et al. (2015), la utilización de modelos
predictivos basados en datos históricos permite anticipar configuraciones de riesgo
antes de que se materialicen los eventos adversos, fortaleciendo los sistemas de gestión
preventiva. En este sentido, los hallazgos no pretenden establecer causalidad definitiva,
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
360
Artículo Cientíco
sino aportar evidencia exploratoria que confirma la coherencia entre patrones operativos
documentados en la literatura y la estimación probabilística generada por el modelo
logístico aplicado.
5. Conclusiones
El desarrollo del modelo predictivo basado en regresión logística binaria permitió
demostrar que es posible estimar la probabilidad de ocurrencia de accidentes laborales
en obras de construcción a partir de variables operativas claramente identificables. El
trabajo en altura y la ausencia de supervisión directa se consolidaron como los factores
de mayor peso dentro del modelo, mientras que el uso adecuado de equipos de
protección personal mostró un efecto protector significativo. Estos hallazgos fortalecen
la importancia de articular variables técnicas y organizacionales en sistemas de análisis
predictivo, y confirman que la seguridad en construcción no depende únicamente del
entorno físico, sino también de la gestión, el control y la cultura preventiva que
acompañan cada actividad.
Si bien el tamaño muestral limita la generalización de los resultados, el modelo mostró
un desempeño estadístico aceptable, validando la pertinencia metodológica del enfoque
retrospectivo basado en datos estructurados. Más allá de los indicadores numéricos, el
aporte central del estudio radica en evidenciar que la inteligencia artificial aplicada con
criterios estadísticos rigurosos puede convertirse en una herramienta preventiva
concreta, capaz de anticipar escenarios críticos antes de que el accidente ocurra. En un
sector donde cada decisión operativa tiene implicaciones humanas directas, avanzar
hacia sistemas predictivos no solo representa un progreso técnico, sino también un
compromiso ético con la protección de la vida laboral.
Referencias Bibliográficas
Adamopoulos, E., & Rinaudo, F. (2021). Close-range sensing and data fusion for built
heritage inspection and monitoring—A review. Remote Sensing, 13(19), 3936.
https://doi.org/10.3390/rs13193936
AlKakuri, M., Elkhouly, A., Jaafar, K., & Gouda, H. (2025). A machine learning approach
to predicting air quality and health risks for construction worker safety. Aerosol
and Air Quality Research, 25(12), 65. https://doi.org/10.1007/s44408-025-00068-
0
Alsulamy, S., Alshayeb, M., Inam, I., & Ahmed, A. (2026). Machine learning applications
for predicting safety incidents in construction industry. Scientific Reports, 16(1),
4673. https://doi.org/10.1038/s41598-025-34763-0
Buniya, M. K., Othman, I., Sunindijo, R. Y., Kineber, A. F., Mussi, E., & Ahmad, H. (2021).
Barriers to safety program implementation in the construction industry. Ain
Shams Engineering Journal, 12(1), 65–72.
https://doi.org/10.1016/j.asej.2020.08.002
Callejón-Ferre, A. J., Pérez-Alonso, J., Carreño-Ortega, A., & Velázquez-Martí, B.
(2011). Indices of ergonomic-psycholsociological workplace quality in the
greenhouses of Almería (Spain): Crops of cucumbers, peppers, aubergines and
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
361
Artículo Cientíco
melons. Safety Science, 49(5), 746–750.
https://doi.org/10.1016/j.ssci.2010.12.009
Gao, Y., Hou, K., Jia, Y., Wei, Z., Wang, S., Li, Z., Ding, F., & Gong, X. (2021). Variability
evaluation of gradation for asphalt mixture in asphalt pavement construction.
Automation in Construction, 128, 103742.
https://doi.org/10.1016/j.autcon.2021.103742
Hallowell, M. R., & Gambatese, J. A. (2009). Construction safety risk mitigation. Journal
of Construction Engineering and Management, 135(12), 1316–1323.
https://doi.org/10.1061/(ASCE)CO.1943-7862.0000107
Hedlund, F. H. (2012). The extreme carbon dioxide outburst at the Menzengraben potash
mine 7 July 1953. Safety Science, 50(3), 537–553.
https://doi.org/10.1016/j.ssci.2011.10.004
International Labour Organization. (2023, 26 de noviembre). Nearly 3 million people die
of work-related accidents and diseases.
https://www.ilo.org/resource/news/nearly-3-million-people-die-work-related-
accidents-and-diseases
Jiménez, J. C., Cabrera-Armijos, R. A., & Figuera-Ávila, P. A. (2024). Percepción de los
factores de riesgos en los trabajadores de la construcción. CONECTIVIDAD,
5(4), 21–32. https://doi.org/10.37431/conectividad.v5i4.199
Kang, K., & Ryu, H. (2019). Predicting types of occupational accidents at construction
sites in Korea using random forest model. Safety Science, 120, 226–236.
https://doi.org/10.1016/j.ssci.2019.06.034
Kim, B., Sri Preethaa, K. R., Song, S., Lukacs, R. R., An, J., Chen, Z., An, E., & Kim, S.
(2024). Internet of things and ensemble learning-based mental and physical
fatigue monitoring for smart construction sites. Journal of Big Data, 11(1), 115.
https://doi.org/10.1186/s40537-024-00978-7
Lee, M., Jeong, J., Jeong, J., & Lee, J. (2021). Exploring fatalities and injuries in
construction by considering thermal comfort using uncertainty and relative
importance analysis. International Journal of Environmental Research and Public
Health, 18(11), 5573. https://doi.org/10.3390/ijerph18115573
Lima, M. G. T., Cunha, T. de M., Cândido, L. F., & Neto, J. de P. B. (2025). Digital
transformation in the construction industry: Lessons and challenges from the
journey of Brazilian construction companies. Sustainability, 18(1).
https://doi.org/10.3390/su18010407
Liu, H., & Tian, G. (2019). Building engineering safety risk assessment and early warning
mechanism construction based on distributed machine learning algorithm. Safety
Science, 120, 764–771. https://doi.org/10.1016/j.ssci.2019.08.022
Olimat, H., Alwashah, Z., Abudayyeh, O., & Liu, H. (2025). Data-driven analysis of
construction safety dynamics: Regulatory frameworks, evolutionary patterns, and
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
362
Artículo Cientíco
technological innovations. Buildings, 15(10).
https://doi.org/10.3390/buildings15101680
Onososen, A., & Musonda, I. (2026). Artificial intelligence in construction health and
safety: Use cases, benefits and barriers. Safety, 12(1).
https://doi.org/10.3390/safety12010030
Rinchen, S., Banihashemi, S., & Alkilani, S. (2024). Driving digital transformation in
construction: Strategic insights into building information modelling adoption in
developing countries. Project Leadership and Society, 5, 100138.
https://doi.org/10.1016/j.plas.2024.100138
Román-Onsalo, M., Ríos-Paniagua, A., & Traverso-Cortés, J. (2013). Gender barriers in
the professional development of building techniques women. Revista de la
Construcción, 12(1), 87–99. https://doi.org/10.4067/S0718-915X2013000100009
Sarmiento-Castillo, G. del P. (2025). Riesgos no observables en el sector de la
construcción en Ecuador: Un análisis cuantitativo y cualitativo. Revista Andina
de Investigaciones en Ciencias Económicas y Empresariales, 2(2), 9–50.
https://doi.org/10.69633/74a27097
Tian, K., Zhu, Z., Mbachu, J., Ghanbaripour, A., & Moorhead, M. (2025). Artificial
intelligence in risk management within the realm of construction projects: A
bibliometric analysis and systematic literature review. Journal of Innovation &
Knowledge, 10(3), 100711. https://doi.org/10.1016/j.jik.2025.100711
Trask, C., & Linderoth, H. C. J. (2023). Digital technologies in construction: A systematic
mapping review of evidence for improved occupational health and safety. Journal
of Building Engineering, 80, 108082. https://doi.org/10.1016/j.jobe.2023.108082
Valencia-Gonzalez, E., & Revelo-Oña, R. (2022). Diagnóstico de factores de riesgos
psicosociales en una empresa de construcción. 593 Digital Publisher CEIT, 7(6),
202–220. https://doi.org/10.33386/593dp.2022.6-2.1535
Vivian, G. A., Bauder, R. A., & Khoshgoftaar, T. M. (2025). A comprehensive survey on
machine learning for workplace injury analysis: Risk prediction, return to work
strategies, and demographic insights. Journal of Big Data, 12(1), 167.
https://doi.org/10.1186/s40537-025-01229-z
Wang, Q., Xian, J., Xiao, J., & Wang, X. (2023). Intelligent safety assessment method
for demolition construction of closure segment of long-span continuous rigid
frame bridges. Advances in Bridge Engineering, 4(1), 9.
https://doi.org/10.1186/s43251-023-00088-z
Wang, X., Liu, J., Khattak, A. J., & Clarke, D. (2016). Non-crossing rail-trespassing
crashes in the past decade: A spatial approach to analyzing injury severity. Safety
Science, 82, 44–55. https://doi.org/10.1016/j.ssci.2015.08.017
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
363
Artículo Cientíco
Zhong, B., Pan, X., Ding, L., Chen, Q., & Hu, X. (2023a). Blockchain-driven integration
technology for the AEC industry. Automation in Construction, 150, 104791.
https://doi.org/10.1016/j.autcon.2023.104791
Zhou, Z., Goh, Y. M., & Li, Q. (2015). Overview and analysis of safety management
studies in the construction industry. Safety Science, 72, 337–350.
https://doi.org/10.1016/j.ssci.2014.10.006
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.