Inteligencia artificial para predecir bajas laborales de larga duración tras accidentes y enfermedades profesionales

Título en español:
Inteligencia artificial para predecir bajas laborales de larga duración tras accidentes y enfermedades profesionales

Título original en inglés:
Explainable Prediction of Prolonged Work Disability After Occupational Injury and Disease: Temporal Validation and Sex-Specific Performance

Autores:
Natalia Fernández Laviada, Antonio Cubero Atienza, Raúl Aguilar Elena y Agustín Sánchez-Toledo Ledesma

Publicado en:
Journal of Occupational Rehabilitation – Springer Nature

Un nuevo estudio analiza el potencial de la inteligencia artificial y de diferentes modelos estadísticos para identificar de forma temprana aquellas bajas laborales que presentan una mayor probabilidad de prolongarse en el tiempo tras un accidente de trabajo o una enfermedad profesional.

La investigación se desarrolló a partir de 182.051 episodios cerrados registrados en España entre 2022 y 2025. Se consideró como baja laboral prolongada aquella con una duración igual o superior a 101 días. Los datos correspondientes a 2022, 2023 y 2024 se utilizaron para el desarrollo y ajuste de los modelos, mientras que los 45.773 episodios de 2025 se reservaron para comprobar su funcionamiento con datos posteriores.

El estudio compara cuatro aproximaciones predictivas: regresión logística penalizada, Random Forest, XGBoost y LightGBM. Los resultados muestran que todos los modelos presentan capacidad para diferenciar los episodios con mayor riesgo de larga duración, aunque ninguno resulta superior en todos los indicadores analizados.

Esta conclusión es especialmente relevante, ya que pone de manifiesto que el uso de técnicas de inteligencia artificial más complejas no garantiza por sí mismo mejores resultados que los modelos estadísticos tradicionales. La elección de una herramienta predictiva debe considerar conjuntamente su capacidad de discriminación, calibración, precisión, interpretabilidad y posible utilidad práctica.

Otra de las aportaciones destacadas del trabajo es la incorporación de técnicas de inteligencia artificial explicable, que permiten conocer qué variables influyen en mayor medida en las predicciones realizadas por los modelos. Entre los factores que presentan una mayor contribución aparecen la descripción de la lesión, la zona corporal afectada, el mecanismo del accidente, la edad y la antigüedad laboral.

El estudio analiza también de forma específica el comportamiento de los modelos en hombres y mujeres. En términos generales, las diferencias observadas en muchas de las métricas fueron reducidas, aunque los resultados no permiten afirmar automáticamente que exista una equivalencia completa entre ambos grupos. Este análisis resulta especialmente importante cuando se plantea la utilización de algoritmos como apoyo a decisiones relacionadas con la salud laboral.

Principales aportaciones

La investigación demuestra el potencial de aprovechar la información contenida en los registros administrativos para identificar precozmente episodios con mayor riesgo de convertirse en bajas laborales de larga duración.

El trabajo también muestra la importancia de que los modelos predictivos sean interpretables. No se trata únicamente de conocer qué casos presentan un mayor riesgo, sino también de comprender qué características están contribuyendo a esa predicción.

Desde una perspectiva preventiva, este tipo de herramientas podría ayudar en el futuro a priorizar actuaciones de seguimiento, orientar recursos y favorecer intervenciones tempranas relacionadas con la rehabilitación y el retorno al trabajo.

Otro resultado relevante es que los modelos más sofisticados de machine learning no presentan necesariamente ventajas en todas las dimensiones frente a una regresión logística convencional, lo que refuerza la necesidad de valorar la utilidad de cada modelo más allá de una única medida de rendimiento.

Finalmente, los autores señalan que todavía son necesarias validaciones externas y evaluaciones prospectivas antes de trasladar este tipo de herramientas directamente a la práctica profesional. Los modelos deben entenderse como instrumentos de apoyo a la toma de decisiones y no como sustitutos de la valoración profesional.

En conjunto, el estudio muestra las posibilidades que ofrece la combinación de datos laborales, análisis predictivo e inteligencia artificial explicable para avanzar hacia una gestión más anticipativa de las bajas laborales prolongadas y desarrollar nuevas estrategias de apoyo a la prevención, la rehabilitación y el retorno al trabajo.