Resumen
El estrés térmico constituye uno de los riesgos físicos emergentes más relevantes en seguridad y salud en el trabajo, especialmente en actividades con exposición solar directa y elevada carga metabólica. Aunque los métodos tradicionales de evaluación, basados principalmente en el índice WBGT, permiten estimar la carga térmica ambiental, presentan limitaciones al no considerar la respuesta fisiológica individual ni la variabilidad entre trabajadores. En este contexto, el presente artículo, derivado del proyecto “Dosímetro personal con monitoreo multivariable para prevención del golpe de calor mediante uso de biomarcadores y variables ambientales, IA y Big Data”, tuvo como objetivo desarrollar un sistema portable que integra biomarcadores fisiológicos y variables ambientales mediante modelos predictivos de aprendizaje automático. Para ello, se realizó una validación preliminar utilizando datos sintéticos generados a partir de parámetros reportados en la literatura científica, aplicando validación cruzada con cinco particiones (k=5). Los resultados evidenciaron que el modelo alcanzó una precisión del 87% y un área bajo la curva (AUC) de 0,89, mostrando un desempeño predictivo superior en el entorno simulado frente a modelos basados exclusivamente en variables ambientales. Estos hallazgos respaldan el potencial de una estrategia de integración fisiológico-ambiental para fortalecer la prevención del golpe de calor en el marco del SG-SST y constituyen una base para futuras validaciones en campo y procesos de transferencia tecnológica.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2026 Gestión de la seguridad y la Salud en el Trabajo