Evaluación de Salud Ocupacional Inducida por IA

Área de la Ciencia:

• Salud Ocupacional
• Epidemiología
• Lingüística Computacional

Sus antecedentes:

• El trabajo es vital para el bienestar, pero plantea riesgos para la salud.
• Las Matrices de Exposición Laboral (JEM) vinculan los historiales laborales con las evaluaciones de riesgos para la salud.
• La estandarización de las descripciones laborales para las JEM es manual, costosa y requiere mucho tiempo.

Objetivo del estudio:

• Proporcionar una visión general de la evaluación de la salud ocupacional y la Codificación Ocupacional Automática (AOC).
• Explorar el potencial de los Modelos de Lenguaje Grandes (LLM) en la AOC.
• Abordar las limitaciones en los métodos actuales de AOC, incluida la generalización.

Principales métodos:

• Revisión de JEM y sistemas de clasificación ocupacional.
• Análisis de sistemas de codificación y soporte a la decisión (DSS) (semi-)automáticos existentes.
• Exploración de Modelos de Lenguaje Grandes (LLM) para aplicaciones de AOC.

Principales resultados:

• Los sistemas de codificación totalmente automáticos actuales tienen problemas con datos fuera de distribución, lo que limita su uso en el mundo real.
• Los Sistemas de Soporte a la Decisión (DSS) mejoran la fiabilidad mediante la corrección por expertos.
• Los LLM ofrecen potencial para mejorar la precisión y la generalización en la AOC.

Conclusiones:

• La aplicación de LLM en AOC no se ha explorado actualmente.
• Los LLM podrían mejorar significativamente la precisión y la generalización de la AOC.
• La investigación futura debería centrarse en la integración de LLM en los sistemas de AOC.