Los trastornos musculoesqueléticos siguen siendo uno de los principales problemas de salud laboral entre los trabajadores de oficina. Dolor cervical, molestias en hombros, espalda alta, espalda baja, muñecas o rodillas aparecen con frecuencia en entornos donde predominan el trabajo sedentario, el uso intensivo de pantallas, las posturas mantenidas y determinados factores organizativos y psicosociales.
Un reciente artículo publicado en Safety Science, titulado “Feasibility and challenges in AI-driven risk assessment of musculoskeletal disorders (MSDs) in office workers”, analiza precisamente si la inteligencia artificial puede ayudar a mejorar la evaluación del riesgo de trastornos musculoesqueléticos en personal de oficina. El estudio, firmado por Mehrdad Hassani, Nektarios Karanikas, Dimitri Perrin, Richi Nayak y Haroun Zerguine, parte de una idea clara: las herramientas tradicionales de evaluación ergonómica son útiles, pero no siempre captan adecuadamente las interacciones complejas y no lineales entre factores físicos, psicosociales e individuales.
Para explorar esta cuestión, los autores utilizaron un conjunto de datos de 810 trabajadores de oficina, integrando cuatro fuentes públicas, y entrenaron seis modelos de aprendizaje automático: regresión logística, árbol de decisión, random forest, gradient boosting, XGBoost y red neuronal multicapa. Los modelos se aplicaron a la predicción de trastornos musculoesqueléticos en nueve regiones corporales: cuello, hombros, codos, muñecas, espalda alta, espalda baja, caderas, rodillas y tobillos. Además, realizaron una validación externa con una muestra independiente de 52 trabajadores de oficina.
Los resultados muestran que los modelos basados en árboles, especialmente Gradient Boosting y XGBoost, alcanzaron el mejor rendimiento predictivo, sobre todo en trastornos de cuello, hombros, espalda alta y espalda baja. Este hallazgo refuerza la idea de que el riesgo musculoesquelético no responde a una lógica simple, sino a combinaciones complejas de variables individuales, físicas, organizativas y psicosociales.
Uno de los aspectos más interesantes del estudio es que los factores relevantes variaron según la zona corporal analizada. Por ejemplo, el riesgo en cuello, hombros o espalda baja no dependía siempre de las mismas variables. El análisis de importancia de factores mostró perfiles específicos por región corporal, combinando aspectos como edad, peso, índice de masa corporal, horas de sueño, demandas cuantitativas, claridad de rol, ritmo de trabajo, posturas forzadas o movimientos repetitivos.
Sin embargo, el estudio también introduce una advertencia importante. Aunque los modelos funcionaron razonablemente bien con los datos internos, su rendimiento disminuyó en la validación externa. Esto significa que la inteligencia artificial puede ser prometedora, pero todavía presenta desafíos relevantes de generalización, calidad de datos, adaptación al contexto y validación práctica.
La principal aportación del artículo es que abre la puerta a una ergonomía más proactiva, personalizada y basada en datos. Frente a evaluaciones genéricas, la IA podría ayudar a identificar perfiles de riesgo más específicos y orientar intervenciones preventivas más ajustadas. Pero el mensaje debe ser prudente: la inteligencia artificial no sustituye al criterio técnico, ni convierte automáticamente una evaluación en mejor. Su valor dependerá de la calidad de los datos, la transparencia del modelo y su integración responsable en la práctica preventiva.
Este trabajo muestra que la IA puede ser una herramienta útil para transformar la evaluación ergonómica en oficinas, siempre que se utilice como apoyo al profesional de prevención y no como una solución automática desconectada del contexto real de trabajo.
