Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 139
RIESGOS LABORALES CON ENFOQUE A LA INDUSTRIA 5.0 DE LA CADENA
AGROALIMENTARIA DE TISANAS: REVISIÓN SISTEMÁTICA
OCCUPATIONAL RISKS WITH A FOCUS ON INDUSTRY 5.0 OF THE HERBAL TEA
AGRI-FOOD CHAIN: SYSTEMATIC REVIEW
Autores: ¹Shirley Trinidad Chagmana Ases, ²Anahi Estefania Guamangate Casillas, ³Lorena
Sigüenza Guzmán,
4
Edith Elena Tubón Núñez,
5
Freddy Roberto Lema Chicaiza y
6
Luis Alberto
Morales Perrazo.
¹ORCID ID: https://orcid.org/0009-0000-4740-5687
²ORCID ID: https://orcid.org/0009-0003-8307-7352
³ORCID ID: https://orcid.org/0000-0003-1367-5288
4
ORCID ID: https://orcid.org/0000-0001-8094-6207
5
ORCID ID: https://orcid.org/0009-0001-5213-3011
6
ORCID ID: http://orcid.org/0000-0002-0921-262X
¹E-mail de contacto: schagmana9112@uta.edu.ec
²E-mail de contacto: aguamangate1426@uta.edu.ec
³E-mail de contacto: lorena.siguenza@ucuenca.edu.ec
4
E-mail de contacto: ee.tubon@uta.edu.ec
5
E-mail de contacto: fr.lema@uta.edu.ec
6
E-mail de contacto: luisamorales@uta.edu.ec
Afiliación:
1*2*3*4*5*
Universidad Técnica de Ambato, (Ecuador).
6*
Universidad de Cuenca, (Ecuador).
Artículo recibido: 16 de Abril del 2026
Artículo revisado: 18 de Abril del 2026
Artículo aprobado: 20 de abril del 2026
1
Estudiante de la Carrera de Ingeniería Industrial en la Universidad Técnica de Ambato, (Ecuador).
2
Ingeniera Industrial, graduada de la Universidad Técnica de Ambato, (Ecuador).
3
Ingeniera en Computación, graduada de la Universidad de Cuenca (Ecuador). Magíster en Telemática por la Universidad del Azuay,
(Ecuador). Doctora en Ingeniería Mecánica por KU Leuven (Bélgica). Profesora titular de la Facultad de Ingeniería de la Universidad de
Cuenca, (Ecuador).
4
Ingeniera en Alimentos, graduada de la Universidad Técnica de Ambato, (Ecuador). Magíster en Docencia Matemática y Magíster en
Gestión Empresarial basado en Métodos Cuantitativos, graduada de la Universidad Técnica de Ambato, (Ecuador).
5
Ingeniero Químico, graduado de la Escuela Superior Politécnica de Chimborazo (Ecuador), con 16 años de experiencia laboral. Magister
Scientiae en Ingeniería Química, graduado de la Universidad de los Andes, (Venezuela).
6
Ingeniero Mecánico graduado en la Universidad de las Fuerzas Armadas (ESPE), (Ecuador). Magíster en Seguridad e Higiene Industrial
y Ambiental en la Universidad Técnica de Ambato, (Ecuador), con 15 años de experiencia docente en la carrera de Ingeniería Industrial
en ámbitos de seguridad laboral.
Resumen
Este estudio tiene como objetivo identificar,
categorizar y analizar los principales riesgos
laborales a lo largo de la cadena de suministro
agroalimentaria de las empresas productoras de
tisanas, con el propósito de fundamentar
estrategias preventivas coherentes con el
paradigma de la Industria 5.0. Para ello, se
desarrolló una revisión sistemática de la
literatura siguiendo la metodología de Fink,
mediante un protocolo de búsqueda
estructurado basado en los componentes de
población e intervención. La selección incluyó
literatura científica de alto impacto indexada en
bases reconocidas, la cual fue analizada
mediante técnicas bibliométricas y de mapeo
de redes de conocimiento utilizando el software
RStudio (versión 7). Los resultados evidencian
una configuración heterogénea de riesgos
laborales en función de las fases operativas de
la cadena agroalimentaria de las tisanas. En la
etapa de producción primaria, caracterizada por
actividades predominantemente agrícolas, se
identifican exposiciones relevantes a estrés
térmico, accidentes asociados al uso de
maquinaria y riesgos químicos derivados de la
inhalación y manipulación de sustancias. En las
fases de procesamiento y distribución,
predominan riesgos ergonómicos y
psicosociales, tales como movimientos
repetitivos, posturas forzadas, exposición
prolongada a ruido y vibraciones, así como
elevados niveles de estrés laboral. Ante las
limitaciones de los sistemas tradicionales de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 140
gestión de la seguridad y salud en el trabajo, se
concluye que la adopción de tecnologías
habilitadoras de la Industria 5.0 como sensores
inteligentes, monitoreo en tiempo real y
analítica predictiva es clave para evolucionar
hacia enfoques preventivos, proactivos,
humano céntricos y sostenibles, orientados a la
mejora integral del bienestar laboral.
Palabras clave: Industria 5.0, Riesgos
laborales, Producción de tisanas, Cadena de
suministro, Agroalimentaria.
Abstract
This study aims to identify, categorize and
analyze the main occupational risks throughout
the agri-food supply chain of tisane producing
companies, with the purpose of supporting
preventive strategies consistent with the
Industry 5.0 paradigm. To this end, a
systematic review of the literature was
developed following Fink's methodology,
using a structured search protocol based on the
population and intervention components. The
selection included high-impact scientific
literature indexed in recognized databases,
which was analyzed using bibliometric
techniques and knowledge network mapping
using RStudio software (version 7). The results
show a heterogeneous configuration of
occupational risks depending on the
operational phases of the agri-food chain of
herbal teas. In the primary production stage,
characterized by predominantly agricultural
activities, relevant exposures to heat stress,
accidents associated with the use of machinery
and chemical risks derived from the inhalation
and handling of substances are identified. In the
processing and distribution phases, ergonomic
and psychosocial risks predominate, such as
repetitive movements, forced postures,
prolonged exposure to noise and vibrations, as
well as high levels of occupational stress.
Given the limitations of traditional
occupational health and safety management
systems, it is concluded that the adoption of
Industry 5.0 enabling technologies such as
smart sensors, real-time monitoring and
predictive analytics is key to evolving towards
preventive, proactive, human-centric and
sustainable approaches, aimed at the
comprehensive improvement of workplace
well-being.
Keywords: Industry 5.0, Occupational risks,
Tisane production, Supply chain, Agri-food.
Sumário
Este estudo visa identificar, categorizar e
analisar os principais riscos ocupacionais ao
longo da cadeia de abastecimento agroalimentar
das empresas produtoras de tisana, com o
objetivo de apoiar estratégias preventivas
consistentes com o paradigma da Indústria 5.0.
Para tal, foi desenvolvida uma revisão
sistemática da literatura seguindo a metodologia
de Fink, utilizando um protocolo de pesquisa
estruturado baseado nos componentes
populacionais e de intervenção. A seleção
incluiu literatura científica de alto impacto
indexada em bases de dados reconhecidas, que
foi analisada usando técnicas bibliométricas e
mapeamento de redes de conhecimento usando
o software RStudio (versão 7). Os resultados
mostram uma configuração heterogénea dos
riscos ocupacionais dependendo das fases
operacionais da cadeia agroalimentar dos chás
de ervas. Na fase primária de produção,
caracterizada por atividades
predominantemente agrícolas, são identificadas
exposições relevantes ao stress térmico,
acidentes associados ao uso de maquinaria e
riscos químicos derivados da inalação e
manuseamento de substâncias. Nas fases de
processamento e distribuição, predominam
riscos ergonómicos e psicossociais, como
movimentos repetitivos, posturas forçadas,
exposição prolongada a ruídos e vibrações, bem
como elevados níveis de stress ocupacional.
Dadas as limitações dos sistemas tradicionais de
gestão de saúde e segurança ocupacional,
conclui-se que a adoção de tecnologias
habilitadoras da Indústria 5.0, como sensores
inteligentes, monitorização em tempo real e
análises preditivas, é fundamental para evoluir
para abordagens preventivas, proativas,
centradas no ser humano e sustentáveis, visando
a melhoria abrangente do bem-estar no local de
trabalho.
Palavras-chave: Indústria 5.0, Riscos
ocupacionais, produção de tisanas, cadeia de
abastecimento agroalimentar.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 141
Introducción
La cadena de suministro agroalimentaria es un
pilar estratégico para la seguridad alimentaria y
el desarrollo socioeconómico (Chen et al.,
2022), ya que integra procesos agrícolas e
industriales con una alta participación de mano
de obra (Einarsdóttir et al., 2024). Esta
combinación, junto con la complejidad del
entorno productivo, incrementa la exposición a
riesgos laborales y pone en evidencia las
limitaciones de los enfoques tradicionales de
gestión de seguridad laboral (Baidwan et al.,
2021). En este escenario, la Industria 5.0
emerge como un paradigma que articula la
innovación tecnológica con un enfoque
centrado en las personas, impulsando sistemas
productivos más sostenibles, resilientes y
orientados al bienestar del trabajador (Jakob et
al., 2021). La gestión de riesgos laborales en la
cadena agroalimentaria continúa sustentándose
en modelos tradicionales caracterizados por una
seguridad basada en el cumplimiento normativo
y un enfoque reactivo centrado en indicadores
de accidentabilidad, condición que limita los
avances en sostenibilidad social y resiliencia
(Chaiklieng et al., 2022).
Esta situación evidencia que la adopción de los
pilares de la Industria 5.0, orientados al apoyo
inteligente del trabajo, al uso de datos para la
prevención y a la integración sistémica de la
seguridad y salud en el trabajo, se perfila como
una vía clave para fortalecer los modelos de
gestión preventiva actuales en ámbitos de
seguridad laboral (Patidar et al., 2023).
Actualmente, la digitalización en las cadenas de
suministro, busca la rapidez en la entrega, de
productos sin considerar el medio ambiente
laboral negativo en cuanto a riesgos laborales
que se pueden generar para el trabajador
(Hendricks et al., 2021). Esta problemática es
crítica en la cadena de suministro
agroalimentaria, cuya estructura se articula en
fases de producción, procesamiento y
distribución con exigencias operativas y perfiles
de riesgo diferenciados (Torres et al., 2025).
Específicamente en las cadenas
agroalimentarias de tisanas, los riesgos
laborales que se presentan sobre todo en las
fases de cosecha y procesamiento,
representando un reto en cuanto a prevención,
porque las actividades se hacen manualmente,
con equipos y herramientas que exponen a
trabajadores a lesiones, fatiga y agotamiento
físico (Laines y Jaramillo, 2026). El riesgo
laboral en estas actividades no es solo un
accidente repentino, sino el daño que el cuerpo
acumula por años de movimientos repetitivos y
condiciones ambientales difíciles (Simas et al.,
2021).
Así mismo, en la fase de distribución de la
cadena, la presión por cumplir con los tiempos
de entrega, el cansancio acumulado y la carga
manual que ejecutan los trabajadores, hace que
la probabilidad de incidentes críticos
incremente de forma significativa (Yang et al.,
2021). En este sentido el reto para las
organizaciones que están en la cadena
agroalimentaria, en un contexto de la industria
5.0 es transformar la gestión a una inversión
estrategia orientada al bienestar humano. De
esta manera, la Industria 5.0 cambia la forma de
actuar frente a los riesgos laborales, en lugar de
esperar a que ocurra una lesión, accidente o
enfermedad profesional, propone usar la
tecnología para detectar el peligro a tiempo
(Sikalidis et al., 2022), por ejemplo, mediante
sensores que miden la fatiga o sistemas que
asisten al trabajador en las tareas pesadas,
adaptando el entorno a la salud de cada persona,
y no a lo contrario (Thamsuwan et al., 2020).
Por lo tanto, este estudio analiza los principales
riesgos laborales que podrían estar presentes en
las cadenas de suministro agroalimentario con
énfasis productores de tisanas y las tendencias
de gestión de riesgos laborales con enfoque de
la industria 5.0.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 142
Materiales y Métodos
Se realizó una revisión sistemática de literatura
a través de la aplicación de la metodología Fink,
la cual consiste en siete pasos fundamentales
para la identificación de información relevante,
además de asegurar la calidad y rigor de los
resultados obtenidos (Tuni et al., 2025). Para la
aplicación de esta metodología, se inicia con la
selección de las preguntas de investigación,
para lo cual se emplea la estrategia PICO (Jhael
et al., 2024) que permite estructurar el proceso
de búsqueda científica considerando la
población, la intervención, la comparación y los
resultados esperados. En este contexto, la
población estuvo constituida por artículos
enfocados a trabajadores, asociaciones y
empresas que participan en la cadena de
suministro agroalimentaria.
La comparación se realizó a partir del análisis
de las herramientas, metodologías y enfoques
utilizados en diferentes investigaciones para
evaluar los riesgos laborales en el sector
agroalimentario es así como los resultados
esperados se orientaron a la identificación de los
principales tipos de riesgos laborales, así como
de los métodos de evaluación utilizados en la
literatura científica. A partir de esta estructura
se formularon las preguntas de investigación
que orientaron el estudio: RQ1: ¿Cómo se
conceptualizan los riesgos laborales en las
cadenas de suministro agroalimentarias? RQ2:
¿Cuáles son los principales tipos de riesgos
laborales a los que están expuestos los
trabajadores en las distintas fases de la cadena
agroalimentaria? RQ3: ¿Qué información existe
sobre accidentes laborales, enfermedades
ocupacionales y condiciones de trabajo en el
sector agroalimentario? y RQ4: ¿Qué métodos
y herramientas se utilizan para evaluar los
riesgos laborales en la cadena de suministro
agroalimentaria?, estas preguntas permitieron
delimitar el alcance del estudio y orientar la
recopilación y análisis de la información. En el
segundo paso, se seleccionó las fuentes de bases
de datos empleadas para la recopilación de
información de acuerdo con el campo de
estudio, el tipo de documento y el nivel de
acceso, en este caso las seleccionadas fueron:
Scopus, Web of science y Plubmed, como se
muestra en la Figura 1. El tercer paso consiste
en la definición de términos de búsqueda. Las
cadenas empleadas fueron: (Occupational Risk
OR Occupational Safety) AND (Agri-food
Supply Chain OR Agri-food Industry); (Types
OR Factors) AND (Occupational Risk OR
Occupational Safety) AND (Agri-food Supply
Chain OR Agri-food Industry); (Tools OR
Methods) AND Evaluation AND (Occupational
Risk OR Occupational Safety) AND (Agri-food
Supply Chain OR Agri-food Industry); (Rates
OR Indices) AND Accident Rate AND
(Morbidity OR Occupational Disease) AND
(Agri-food Supply Chain OR Agri-food
Industry); se optó por realizar la búsqueda en
idioma inglés con el fin de ampliar la población
de artículos científicos sobre esta temática. El
cuarto paso consiste en la aplicación de criterios
prácticos para la recopilación de información,
dichos criterios se especifican en la Tabla 1.
Tabla 1. Criterios de selección para búsqueda
Criterio
Detalle
Idioma
Español – inglés – portugués
Bases de datos
Scopus
Web of Science
PudMed
Área temática
Seguridad laboral, higiene
industrial, ergonomía, agrícola,
logística.
Temporalidad
2020-2026
Tipo de documento
Artículo de revista, Artículo de
conferencia
Búsqueda
La cadena de búsqueda debe
constar en el título, el resumen o
en las palabras clave
Fuente: Elaboración propia
En el quinto paso se realiza la aplicación de
criterios de selección de acuerdo con los
criterios prácticos y con criterios de exclusión
como artículos duplicados y no relacionados al
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 143
tema. La Figura 1 presenta de manera visual el
proceso de aplicación de los criterios de
exclusión mencionados anteriormente,
evaluando la elegibilidad de este.
El proceso de selección de los artículos se
desarrolló en varias etapas. En primer lugar, se
identificaron los documentos a partir de las
ecuaciones de búsqueda en las bases de datos
seleccionadas. Posteriormente se eliminaron los
registros duplicados mediante el gestor
bibliográfico Zotero 7 y se realizó una revisión
preliminar de títulos y resúmenes para evaluar
su relevancia con respecto al tema de estudio.
Finalmente, los artículos seleccionados fueron
analizados mediante la lectura completa de los
documentos para identificar aquellos que
aportaban información relevante para responder
a las preguntas de investigación planteadas. La
organización y el análisis de la información se
realizó mediante el software RStudio utilizando
el paquete Bibliometría, lo que permitió
efectuar un análisis bibliométrico de la
literatura científica.
Figura 1: Aplicación de criterios de selección
Fuente: Elaboración propia
Resultados y Discusión
Tras la aplicación de los criterios de inclusión y
exclusión se obtuvieron finalmente un total de
65 artículos para revisión y análisis detallado.
Para ello, se estructuraron dos etapas: un
metaanálisis y un análisis descriptivo. En la
primera etapa, se llevó a cabo una síntesis
detallada de las “4W” (cuando, quién, qué,
dónde) de manera que se identificó los riesgos
laborales presentes en cadenas de suministro
agroalimentarias. La segunda etapa que se
refiere al análisis descriptivo consta de dos
secciones, en la primera sección se examinó
aspectos como autores, el año de publicación,
las revistas de publicación, los países receptores
y detalles relevantes sobre el tema principal y
en la segunda sección se analizó a profundidad
los temas motores que desencadenan la
especificidad de la prevención de riesgos y
tendencias en la Industria 5.0. En esta fase se
clasifican los artículos seleccionados para una
síntesis detallada de información como el año
de publicación y el país receptor.
Figura 2: Distribución temporal de artículos
seleccionados
Fuente: Elaboración propia
La Figura 2, muestra la evolución de la cantidad
de publicaciones desde 2020 hasta 2026
respondiendo así a la interrogante ¿Cuándo? de
las “4W”. Se puede evidenciar que desde 2021
la cantidad de artículos publicados relacionados
al tema ha aumentado. Sin embargo, en el año
2026 solamente se encontró un solo artículo,
debido a que este estudio se realizó en el primer
trimestre del 2026. A su vez, respondiendo a la
interrogante ¿Dónde? se presenta las tendencias
de los países receptores en donde se identifica
con un color más intenso el país con la mayor
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 144
tendencia de artículos relacionados al tema, en
este caso India como se muestra en la Figura 3.
Figura 3. Distribución a nivel mundial
Fuente: Elaboración propia
Se realizó un análisis bibliométrico de la
coocurrencia de palabras clave a partir de
artículos científicos publicados entre 2020 y
2026 gestionado por Zotero versión 7 y
analizado por Rstudio en Bibliometrix. En la
Figura 4, con base en la frecuencia de aparición
de los términos se construyó una red de
coocurrencia de 25 nodos y 43 enlaces, donde
cada nodo representa una palabra clave y cada
enlace indica la coocurrencia de dos términos
dentro del mismo documento. El tamaño de los
nodos y la densidad de las conexiones reflejan
la importancia relativa de los términos y la
solidez de su relación, respectivamente, según
los métodos estándar de análisis de redes
científicos.
Los nodos como “agricultura” y “salud
ocupacional” ocupan posiciones centrales
dentro de la red, lo que indica que constituyen
los principales temas abordados en la literatura
científica analizada. En torno a estos términos
se agrupan palabras clave como “agricultores”,
“salud agrícola”, “lesiones ocupacionales”,
“lesiones” y “accidentes”, las cuales
representan los principales enfoques de
investigación relacionados con los riesgos
laborales y los efectos del trabajo agrícola en la
salud de los trabajadores. Así mismo, términos
como “exposición ocupacional”, “ergonomía”,
“evaluación de riesgos”, “enfermedades
profesionales” y “seguridad ocupacional”
muestran asociaciones relevantes dentro de la
red, lo que evidencia un interés sostenido en la
identificación, evaluación y prevención de
riesgos laborales en el sector agrícola. En
cambio, la red muestra la presencia de términos
vinculados con la gestión del riesgo y la
sostenibilidad en los sistemas agroalimentarios,
tales como “cadena de suministro”,
“sostenibilidad”, “resiliencia” y “riesgo”, lo que
sugiere un creciente interés en la literatura
científica por analizar los riesgos laborales
desde una perspectiva más amplia que incluye
la gestión de la cadena de suministro
agroalimentaria.
Figura 4: Red de coocurrencia
Fuente: Elaboración propia
Los resultados muestran que el clúster
conformado por agricultura, agricultores y
salud agrícola se posiciona como tema motor,
evidenciando una alta centralidad y densidad, lo
que confirma su papel estructurante y
consolidado dentro de la literatura analizada.
Además, el clúster asociado a lesiones
ocupacionales se ubica como tema básico,
caracterizado por una elevada centralidad, pero
menor densidad, lo que indica su carácter
transversal y su función como marco conceptual
general en los estudios sobre riesgos laborales
en el sector agrícola. En contraste, los temas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 145
relacionados con evaluación de riesgos,
ergonomía y enfermedades ocupacionales
aparecen como temas en desarrollo o
transversales, reflejando un grado intermedio de
integración dentro del campo de estudio. Por su
parte, los clústeres vinculados con incidencia y
trastornos musculoesqueléticos se identifican
como temas de nicho, altamente especializados,
pero con una conexión más limitada con otras
líneas de investigación.
Los riesgos laborales en las cadenas de
suministro se hallan como un fenómeno
complejo, en el cual interviene varios factores
humanos, ambientales, mecánicos y
organizacionales, lo cual influye en la
susceptibilidad de los trabajadores a través de la
etapa del proceso productivo (Arcury et al.,
2022). Así mismo la investigación desarrollada
en Fassa et al. (2021), la define como una
exposición multicausal en donde la interacción
entre el entorno físico y la carga cognitiva
operario no solo determina la severidad del
daño, sino a su vez evidencia la ausencia
sistemas productivos seguros. Este enfoque
sistémico reconoce que la ocurrencia en
accidentes está asociado a variables climáticas
extremas, infraestructura deficiente y ausencia
de políticas preventivas institucionales (Gallego
et al., 2021).
A opinión de Vielma et al. (2024) se destacan
que los riesgos laborales en las cadenas de
suministro agroalimentario, sobre todo en una
de sus fases que es la producción agrícola,
surgen como resultado de interacciones
fisiológicas y ambientales en las que el estrés
térmico, radiación solar y la humedad tienen un
papel fundamental en la salud y productividad
del trabajador. Del mismo modo, riesgos
químicos relacionados con intoxicación
exógena aguda producto del mal uso de
fertilizantes, insecticidas, entre otros, generan
enfermedades renales y respiratorias en los
trabajadores (Dos Santos et al., 2021; Yan et al.,
2022). Este planteamiento coincide con (Aby et
al., 2024), los cuales indican que la
combinación de maquinaria peligrosa,
exposición ambiental y carencia de cultura
preventiva en la agroindustria aumenta los
índices de siniestralidad. En la actualidad, bajo
el paradigma de la Industria 5.0, el riesgo
laboral trasciende su conceptualización
tradicional a una variable de desempeño
sistémico como lo afirma Spieth et al. (2014) y
Nahavandi (2019) pues integra de forma
transversal en la cadena de suministro, la
inteligencia artificial, análisis predictivo y el
despliegue de sensores para su análisis,
evaluación y prevención. La evidencia
científica clasifica los riesgos laborales en la
cadena de suministro bajo una taxonomía de
cinco categorías: físicos, ergonómicos,
químicos, biológicos y psicosociales (Jakob et
al., 2021).
Figura 5: Riesgos laborales en la cadena
agroalimentaria
Fuente: Elaboración propia
En este entorno los peligros se manifiestan de
forma diferente y acumulativa lo largo de los
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 146
tres eslabones operativos del sector que son:
producción, proceso y distribución, como
muestra en la Figura 5. En la etapa de
producción agrícola, predominan el estrés
térmico y la exposición a radiación ultravioleta
por trabajo prolongado al aire libre, junto con la
carga ergonómica derivada de posturas
forzadas, los accidentes asociados al uso de
maquinaria y la exposición a pesticidas sin
protección adecuada (Chaiklieng et al., 2022;
Guimarães et al., 2021; Ioannou et al., 2021;
Kim et al., 2022; Lee et al., 2021).
En la fase de proceso, se identifican riesgos
biológicos por la presencia de polvo orgánico y
bioaerosoles que afectan el sistema respiratorio,
así como riesgos físicos vinculados al ruido y
las vibraciones, además de riesgos psicosociales
como el tecnoestrés derivado de la interacción
con sistemas automatizados (Colombathanthri
et al., 2025; García y Osca, 2020; Russo y
Carpenter, 2019). Así mismo, en la fase de
distribución, predominan los riesgos
ergonómicos asociados a la manipulación de
cargas, así como los riesgos psicosociales
relacionados con el estrés laboral y la fatiga
cognitiva debido a la presión por cumplir
tiempos de entrega (Ioannou et al., 2021;
Michael y Gorucu, 2023). La evidencia
científica reciente confirma la existencia de
datos relevantes sobre la accidentabilidad,
enfermedades laborales y condiciones de salud
en las distintas fases de la cadena de suministro
(Zhai, 2023).
En la fase de producción, la siniestralidad en la
cadena agroalimentaria es un reflejo de una
grave problemática de salud pública con
repercusiones económicas profundas. Las tasas
de mortalidad son más altas que en otros
sectores manufactureros, lo que evidencia la
magnitud de este problema (Michael y Gorucu,
2023). En Turquía, se encontró que el 33% de
los agricultores experimentaron al menos un
accidente laboral durante el último año,
destacando que la mayoría de estos incidentes
ocurrieron durante la jornada laboral. Estos
accidentes estuvieron asociados a la falta de
equipo de protección personal y a condiciones
de transporte inseguras, lo que revela un alto
riesgo de lesiones en las actividades productivas
del sector agrícola (Ekmekci & Yaman, 2024).
Además, la exposición a factores físicos,
químicos y ergonómicos aumenta
significativamente el riesgo de accidentes
(Jakob et al., 2021; Calderón et al., 2025).
Las enfermedades laborales, los trastornos
musculoesqueléticos se presentan con alta
prevalencia entre los trabajadores agrícolas,
debido a esfuerzos físicos intensos, posturas
forzadas y movimientos repetitivos (Bhattarai et
al., 2016). También se observan afecciones
respiratorias y dermatológicas asociadas a la
exposición prolongada a polvo orgánico,
pesticidas y otros productos agroquímicos
(Kurth et al., 2024). Además, se identifican
efectos crónicos derivados de exposiciones
acumulativas, como alteraciones neurológicas y
otros problemas de salud a largo plazo,
particularmente en lugares donde las medidas
de prevención y vigilancia sanitaria son
limitadas (Kurth et al., 2024). Diversos estudios
apuntan a que la informalidad del empleo, la
falta de capacitación en seguridad y salud
ocupacional, así como el acceso insuficiente a
servicios de salud y equipos de protección
personal, impactan negativamente en el
bienestar de los trabajadores, especialmente en
zonas rurales y pequeñas unidades productivas
(De Leo et al., 2023).
En la fase de proceso, en Estados Unidos, se
registraron 1,084 lesiones graves y 47 muertes
asociadas al movimiento de productos en la
cadena alimentaria, afectando principalmente a
las actividades de manufactura y procesamiento
(Michael y Gorucu, 2023). Los accidentes están
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 147
principalmente relacionados con maquinaria
industrial y sistemas automatizados en plantas
de transformación alimentaria, con predominio
de lesiones traumáticas en las extremidades
superiores (Noroozi y Taherian, 2023). Los
trastornos musculoesqueléticos son una de las
afecciones más comunes en este sector, como
resultado de tareas repetitivas y la manipulación
manual de cargas. También se reporta
exposición a agentes químicos y biológicos
durante los procesos de transformación
alimentaria (Noroozi y Taherian, 2023).
La implementación de tecnologías asociadas a
la Industria 4.0 genera nuevas demandas
cognitivas y aumenta la necesidad de
supervisión digital, lo que, a su vez, eleva la
carga mental de los trabajadores. Esto implica
mayores exigencias operativas y una atención
más rigurosa a los aspectos de seguridad laboral
en este evento tecnológico. Por lo tanto, es
crucial una capacitación en seguridad adecuada
para enfrentar los desafíos derivados de este
cambio tecnológico (Sharma et al., 2024). En
la fase de distribución, el sector logístico
alimentario enfrenta lesiones graves
relacionadas con la carga, descarga y transporte
de productos (Michael & Gorucu, 2023), la
exposición a esta situación puede generar
riesgos laborales relacionados a trastornos
musculoesqueléticos, lesiones representan una
parte significativa de los eventos severos dentro
de la cadena alimentaria (Zhai, 2023).
Los trastornos musculoesqueléticos que se
identifican entre los conductores y operarios
logísticos de la fase de distribución de la cadena
de suministro agroalimentaria a consideración
de (Michael y Gorucu, 2023) están
relacionados, al levantamiento manual de
cargas y a la conducción prolongada al adoptar
posturas forzadas en posición sedentaria.
Además, existen riesgos ergonómicos y físicos
debido a la manipulación constante de
mercancías, lo que aumenta la probabilidad de
lesiones en extremidades y columna vertebral
(Zhai, 2023). Así pues, las condiciones de salud
en los trabajadores de la cadena agroalimentaria
dependen de la fase en la que se encuentren. Las
fases de producción, proceso y distribución
presentan riesgos diversos que impactan la
salud de los trabajadores de manera diferente,
pero todos comparten problemas comunes
como la falta de equipo adecuado de protección,
condiciones de trabajo inseguras y la exposición
a factores físicos y químicos peligrosos Como
se observa en la Tabla 3, los métodos como
Failure Mode and Effects Analysis (FMEA),
dispositivos biométricos y modelos predictivos
basados en inteligencia artificial permiten
abordar riesgos mecánicos, ergonómicos y
organizacionales
En este contexto, los métodos de evaluación y
gestión de riesgos, como el análisis de modos y
efectos de falla (FMEA), los dispositivos
biométricos y los modelos predictivos basados
en inteligencia artificial, adquieren un papel
estratégico. Estas herramientas permiten no
solo identificar riesgos potenciales, sino
también anticipar eventos adversos mediante el
análisis de datos en tiempo real. De esta manera,
se transita de un enfoque reactivo, centrado en
la respuesta a incidentes, hacia un enfoque
preventivo y predictivo que mejora la toma de
decisiones en materia de seguridad y salud
ocupacional. Por otro lado, resulta fundamental
que las organizaciones adopten una visión
integral de la seguridad laboral, considerando
tanto los factores tecnológicos como los
humanos y organizacionales. La
implementación de programas de ergonomía,
pausas activas, rediseño de puestos de trabajo y
promoción de una cultura de prevención son
estrategias clave para mitigar los riesgos
asociados a las actividades logísticas.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 148
Tabla 3. Métodos y herramientas para la evaluación de riesgos laborales en la cadena agroalimentaria
Métodos y
herramientas
Aplicaciones en la cadena de
suministro
Ventajas
Limitaciones
Ref.
-Estudios
transversales con
síntomas (PRS),
diagnóstico
médico y
biomarcadores
Evaluación de enfermedades de
prevalencia de enfermedades
ocupacionales relacionadas con
la exposición agrícola directa.
Ampliación directa de
campo y bajo costo.
Datos en donde no implica la
casualidad.
Michael y
Gorucu
(2023)
-Modelos de
regresión
(shirinkage,
multivariados)
Identificación de factores
determinantes de accidentes
laborales y cuantificación del
peso relativo de variables como
edad, experiencia, clima o tipo
de tarea.
Permite priorizar
variables críticas; análisis
más robusto.
Requiere base de datos
amplias y confiables
enfocadas en datos históricos
(Gallego et
al. (2021;
Yan et al.,
2022)
- Análisis de
datos de
vigilancia
ocupacional (SOII
y CFOI) +
Auditorías de
ergonomía
logística
Permite identificar actividades
críticas en el almacenamiento y
transporte.
Datos de alta fiabilidad;
permite análisis
comparativo; identifica
patrones específicos en el
equipo; útil para el
rediseño ergonómico y
normativo.
Basado en datos históricos;
no mide la exposición en
tiempo real; depende de la
calidad de reporte.
Michael y
Gorucu
(2023)
*Simulador de
conducción de
tractor (miniSim)
Evaluación del comportamiento
del operador asociado con los
riesgos en la maquinaria
agrícola.
Permite la
experimentación sin
exposición física;
proactivo.
Dependencia subjetiva al
realismo; requiere validación
continua.
Faust et al.
(2020)
-Modelado
computacional
integrado
(GTEM-C + datos
climáticos +
funciones WBGT
+ IMPACT
model)
Posibilita proyectar escenarios
futuros bajo cambio climático.
Enfoque a largo plazo;
planificación estratégica y
adaptación al clima.
Complejidad en la técnica;
menos aplicación en la
técnica; incertidumbre al
futuro.
De Lima et
al. (2021)
-Ensemble
Boosted
Regression (BRT)
con variables de
teledetección
Identificación espacial de zonas
con mayor probabilidad de
riesgo laboral asociado a
condiciones ambientales.
Capacidad predictiva alta,
integra múltiples
variables; genera mapas
de alta resolución;
permite un enfoque
preventivo.
Necesita datos geográficos de
alta complejidad; depende de
calidad de datos satelitales y
climáticos.
Cromwell
et al. (2021)
*loT , Big data y
sensores
inteligentes
Monitoreo en tiempo real de
temperatura, gases, vibraciones
y condiciones ambientales en
producción, almacenamiento y
transporte.
Detección temprana de
riesgos; monitoreo
continuo; soporte a
gestión preventiva.
Requiere conectividad y
mantenimiento; inversión
inicial elevada.
Plakantara
&
Karakitsiou
(2025)
-Failure Mode
and Effects
Analysis (FMEA)
Identificación de puntos críticos
de fallo en maquinaria agrícola y
plantas de procesamiento.
Permite una identificación
estructurada y jerárquica
de los fallos.
Naturaleza reactiva; dificultad
para capturar la variabilidad
humana y condiciones
ambientales dinámicas.
Aleksić et
al. (2025)
*Herramientas
biométricas y
sensores
inerciales
(Wearables)
Registro de carga biomecánica y
posturas forzadas durante la
cosecha y actividades logísticas.
Obtención de datos
objetivos y precisos en
tiempo real sobre el
esfuerzo del trabajador.
Elevado costo de
implementación y
complejidad técnica para el
procesamiento de Big Data.
Apicella &
Tarabella,
(2025)
-Modelos
predictivos (IA y
Redes
Bayesianas)
Anticipación de accidentes
mediante el ajuste de variables
como estacionalidad y edad del
trabajador.
Gestión de riesgos
proactiva, centrada en el
humano y adaptativa al
entorno de la Industria
5.0.
Dependencia estricta de la
calidad de registros históricos
y necesidad de transparencia
algorítmica.
Nasir et al.
(2025)
Shokouhi et
al. (2021)
*RULA y OWAS
para la evaluación
ergonómica
Evalúa las posturas y carga
física en labores agrícolas, con
herramientas ergonómicas y
capacitaciones.
Evaluación específica de
riesgos
musculoesqueléticos lo
que posibilita la
intervención dirigida.
Requiere formación técnica y
tiempo para análisis de
posturas.
Plakantara
&
Karakitsiou,
(2025)
-Fuzzy Inference
System (FIS)
Enfoque cuantitativo con lógica
difusa para evaluar riesgos
complejos y no lineales
Cuantificar la
incertidumbre y reducir
subjetividad en la
evaluación.
Requiere datos estructurados
y experiencia para realizar el
modelo, no siempre se puede
implementar.
Jayalath et
al. (2026)
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 149
Tabla 4. Prevención de riesgos laborales en el sector agroalimentario: aportes de la Industria 5.0
Fase de la
cadena
agroalimentaria
Enfoque
tradicional
Limitación del
enfoque
Enfoque en la Industria
5.0
Ventaja
Ref.
Producción
(actividad
agrícola
primaria)
Registro de
accidentes
Solo mide el daño
cuando ya ocurrió el
accidente.
Analítica predictiva y
Big Data.
Permite a través de la
prevención proactiva y
personalizada salvar a los
trabajadores de incidentes y
accidentes fatales.
Sánchez-
Castañeda
Michele
Tiraboschi et al.,
2024;
Simas et al.
(2021)
Evaluación de
estrés térmico
Mediciones climáticas
de estaciones lejanas
Sensores Wearables
(IoT).
Protección personalizada
inmediata contra el estrés
térmico causado por el cambio
climático.
(Ioannou et al.,
2021; Laines
Álvarez &
Jaramillo, 2026)
Análisis de
riesgo lineales e
inspecciones
estáticas.
No capturan la
variabilidad del
entorno agrícola.
Gemelos digitales.
Permite predecir fallos en
escenarios y entrenar al
personal sin exposición al
riesgo.
(Faust et al.,
2020; Jayalath et
al., 2026; Patidar
et al., 2023)
Identificación de
condiciones
ambientales
Dificultad al
identificar riesgos en
grandes áreas
agrícolas.
Drones y sensores
Identificación temprana de
condiciones peligrosas.
(Chukwunazo
Joseph et al.,
2022; De Leo et
al., 2023(
Lista de chequeo
y métodos
posturales.
Dependencia de la
subjetividad del
criterio del evaluador.
Sensores corporales y
sistemas wearables
Permite un seguimiento
continuo del riesgo
ergonómico.
(Niang et al.,
2024; Thamsuwan
et al., 2020)
Análisis de
manipulación
manual de carga
por métodos
NIOSH.
No se puede detectar
sobreesfuerzos en
tiempo real de manera
fácil.
Exoesqueletos
industriales
Reduce la fatiga en el riesgo
de lesiones
musculoesqueléticas.
(Cardoso et al.,
2024; Lee et al.,
2021)
Inspección de
maquinaria
agrícola
Los fallos pueden
ocurrir entre intervalos
de inspección
Mantenimiento
predictivo mediante IA
Evita fallos inesperados y
reduce el riesgo de accidentes
por fallos mecánicos
(Bahar et al.,
2024; Kasampalis
et al., 2021)
Proceso
(Transformación
Industrial)
Auditoria de
salud esporádicas
Muestras de aire
puntuales
Sistemas de Interferencia
Difusa (Fuzzy Logic)
Detección temprana de
enfermedades crónicas
(renales y respiratorias)
Jayalath et al.,
2026; Yan et al.,
2022
Métodos de
evaluación
postural
Dependen de la
subjetividad, fotos
estáticas.
Visión computacional
por medio de cámaras
Realiza una evaluación más
objetiva, de forma continua y
sin interrupción del flujo de
trabajo.
(Apicella &
Tarabella, 2025;
Thamsuwan et al.,
2020)
Equipos de
muestreo
ambiental,
bombas de aire y
protocolo de
monitoreo
ocupacional.
No permite monitoreo
constante durante la
jornada.
Sensores IoT
Facilita la detección temprana
de contaminantes.
(Borghi et al.,
2023; Parri et al.,
2023)
Control
periódico de
contaminantes.
Difícil prever fallos de
equipos complejos.
Implementación de
robots colaborativos
(cobots)
Disminuye la exposición
directa del trabajador.
(Lu, 2022; Patil et
al., 2023)
Evaluación de
fatiga laboral
Difícil detectar signos
tempranos de fatiga.
Visión artificial.
Permiten prevenir accidentes
asociados a agotamiento
laboral.
(Bangaru et al.,
2022; Ouyang et
al., 2023)
Distribución
(logística y
cadena de
suministro)
Registro manual
de incidentes
El trabajador puede
omitir datos por fatiga
Sistemas Ciber – Físicos
Humanos (H-CPS)
Asegura la veracidad de los
datos
(Jhael et al., 2024;
Michael &
Gorucu)
Evaluación de
carga y descarga.
Solo identifica
lesiones después de
que ocurren.
Sensores wearables y
sistemas de monitoreo
ergonómico.
Permite detectar
sobreesfuerzos y prevenir
lesiones.
(Alenjareghi et
al., 2026; Motta et
al., 2024)
Identificación de
accidentes de
transporte.
Evaluación reactiva
basada en accidentes
ocurridos
Inteligencia artificial
Permite anticipar riesgos
operativos y mejorar la
seguridad del transporte.
Abdulrashid et al.,
2024; Budzyński
et al., 2024
Supervisión de
condiciones de
Falta de monitoreo en
tiempo real y mayor
carga operativa
Sistemas IoT
Permite supervisar
condiciones de transporte de
forma continua.
Rejeb, et al.
(2020)
Auditorías,
inspecciones de
seguridad
Baja trazabilidad y
limitada transparencia
en la gestión
Blockchain
Mejora la transparencia y el
control de riesgos
(Kayikci et al.,
2022; Rejeb,
Keogh, et al.,
2020)
Fuente: Elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 150
La gestión de riesgos laborales requiere
enfoques innovadores que integren tecnología,
análisis de datos y una centralidad en el
trabajador (Nahavandi, 2019). Asimismo, las
condiciones geográficas adversas, la
variabilidad climática y la creciente
digitalización de los procesos productivos
demandan sistemas de evaluación que superen
los indicadores tradicionales y que mantengan
coherencia con los pilares de la Industria 5.0,
orientados hacia la sostenibilidad, la resiliencia
y la humanización tecnológica (Javaid et al.,
2020), los cuales se presentan en la Tabla 4. En
la fase de producción, el enfoque tradicional en
la gestión de riesgos laborales se caracteriza por
su naturaleza reactiva y por el uso de
metodologías convencionales basadas en la
observación y el registro posterior de
incidentes.
Prácticas como el registro de accidentes y
fatalidades después del evento reflejan una
gestión centrada en las consecuencias más que
en la prevención (Sánchez-Castañeda et al.,
2024). Asimismo, la evaluación del estrés
térmico se realiza mediante mediciones
ambientales generales y observación de
condiciones climáticas, lo que no representa con
precisión la exposición real del trabajador
(Ioannou et al., 2021; Laines y Jaramillo, 2026).
El análisis de riesgos se desarrolla a través de
enfoques lineales e inspecciones estáticas, lo
que limita la comprensión de entornos
dinámicos (Faust et al., 2020), mientras que la
identificación de peligros depende de la
supervisión directa en campo, dificultando su
aplicación en grandes extensiones agrícolas
(Chukwunazo et al., 2022). De igual manera, la
evaluación ergonómica mediante listas de
chequeo y métodos posturales presenta un alto
grado de subjetividad (Thamsuwan et al., 2020),
y el análisis de manipulación manual de carga
mediante la ecuación NIOSH no permite
detectar sobreesfuerzos en tiempo real (Lee et
al., 2021). Posteriormente, la exposición a
pesticidas se evalúa mediante análisis químicos
periódicos (Yan et al., 2022), y la maquinaria se
inspecciona manualmente, lo que limita el
monitoreo continuo de fallos (Bahar et al.,
2024). Por otro lado, la Industria 5.0 introduce
un enfoque proactivo basado en tecnologías
avanzadas que permiten anticipar riesgos y
mejorar la seguridad laboral.
El uso de analítica predictiva y Big Data
posibilita la predicción de incidentes antes de
que ocurran (Sánchez-Castañeda et al., 2024),
mientras que los sensores wearables (IoT)
permiten el monitoreo en tiempo real de
variables fisiológicas como el estrés térmico y
la frecuencia cardíaca (Ioannou et al., 2021).
Asimismo, los gemelos digitales facilitan la
simulación de escenarios de riesgo (Faust et al.,
2020), y el uso de drones y sensores remotos
permite supervisar grandes extensiones
agrícolas de manera eficiente (Chukwunazo et
al., 2022). Además, los sensores corporales y
sistemas wearables mejoran el análisis
biomecánico del trabajador (Niang et al., 2024),
los exoesqueletos reducen la carga física en
tareas exigentes (Cardoso et al., 2024) y los
biosensores permiten detectar contaminantes
químicos en tiempo real (Yan et al., 2022),
fortaleciendo así la prevención y el bienestar del
trabajador.
En la fase de proceso, el enfoque tradicional
mantiene limitaciones similares al depender de
auditorías de salud esporádicas y biomarcadores
tardíos, lo que dificulta la detección temprana
de enfermedades ocupacionales (Jayalath et al.,
2026). El control de contaminantes se realiza
mediante muestreos puntuales de aire, lo que no
permite identificar variaciones durante la
jornada laboral (Borghi et al., 2023). De esta
manera, los métodos de evaluación postural
basados en la observación visual introducen
subjetividad (Thamsuwan et al., 2020),
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 151
mientras que la supervisión de maquinaria
mediante inspecciones periódicas dificulta
prever fallos (Kasampalis et al., 2021). A esto
se suma la evaluación de la fatiga mediante la
observación del supervisor, lo que limita la
detección temprana del agotamiento (Bangaru
et al., 2022).
Para fortalecer la gestión de riesgos, la Industria
5.0 incorpora sistemas inteligentes que
permiten el monitoreo continuo y la toma de
decisiones en tiempo real. El mantenimiento
predictivo basado en inteligencia artificial
facilita la detección de fallos en maquinaria
(Bahar et al., 2024), mientras que los sistemas
de lógica difusa y sensores IoT permiten un
control constante de la calidad del aire (Jayalath
et al., 2026; Parri et al., 2023). La visión
computacional mejora la evaluación postural
(Apicella y Tarabella, 2025), y los robots
colaborativos reducen la exposición del
trabajador a tareas peligrosas (Patil et al., 2023).
Asimismo, los sistemas de monitoreo de fatiga
mediante visión artificial y sensores
biométricos permiten detectar signos tempranos
de agotamiento (Ouyang et al., 2023; Madrigal-
Cerezo et al., 2026).
En la fase de distribución, el enfoque tradicional
se basa en registros manuales de incidentes
laborales mediante formularios administrativos,
lo que puede generar omisiones o sesgos en la
información (Michael & Gorucu, 2023). La
evaluación de carga y descarga se realiza
mediante observación ergonómica,
identificando lesiones solo después de que
ocurren (Motta et al., 2024). Asimismo, la
identificación de accidentes en transporte se
basa en registros históricos (Budzyński et al.,
2024), mientras que la supervisión de
condiciones de transporte y almacenamiento se
realiza mediante controles documentales, y la
planificación de rutas se basa en análisis
manuales que no optimizan condiciones
dinámicas (Sheikh et al., 2025). En contraste, la
Industria 5.0 incorpora tecnologías que
optimizan la seguridad y eficiencia en las
operaciones logísticas. Los sistemas ciber-
físicos humanos (H-CPS) facilitan el reporte
digital de incidentes (Jhael et al., 2024),
mientras que los sensores wearables permiten el
monitoreo ergonómico en tiempo real
(Alenjareghi et al., 2026). Además, la
inteligencia artificial permite analizar riesgos en
transporte (Mammadov et al., 2024), los
sistemas IoT mejoran el monitoreo de
condiciones de transporte (Rejeb et al., 2020), y
el uso de blockchain fortalece la trazabilidad y
transparencia en la cadena agroalimentaria
(Kayikci et al., 2022).
Estas herramientas permiten anticipar riesgos,
optimizar la toma de decisiones y garantizar un
enfoque preventivo centrado en el bienestar del
trabajador (Ioannou et al., 2021). Además,
identifica vacíos en la literatura respecto a la
limitada articulación entre seguridad laboral,
sostenibilidad y gestión de la cadena,
proponiendo una comprensión del riesgo como
un fenómeno sistémico. Del mismo modo,
incorpora el enfoque de la Industria 5.0,
destacando la necesidad hacia modelos
preventivos, predictivos y centrados en el
trabajador, fortaleciendo así la seguridad y
salud ocupacional como un eje estratégico para
sector.
Conclusiones
Los resultados de esta investigación muestran
que los riesgos laborales en la cadena de
suministro agroalimentaria son complejos, y
varían según las fases del proceso productivo.
En la fase de producción, los trabajadores
enfrentan condiciones extremas, como estrés
térmico y exposición a agroquímicos, lo que
aumenta la probabilidad de enfermedades y
accidentes. En el procesamiento y la
distribución, los riesgos se relacionan con
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 152
posturas forzadas, movimientos repetitivos,
además de la fatiga acumulada, factores que
afectan tanto la salud física como mental de los
trabajadores. Respecto a las tendencias actuales
identificadas en la literatura científica, se
observa una transición hacia la digitalización de
la seguridad, donde el enfoque tradicional de
protección física está siendo superado por
sistemas de monitoreo inteligente y gestión de
datos en tiempo real. La incorporación de
tecnologías de la Industria 4.0, como los
sensores inteligentes y la analítica predictiva,
representa una oportunidad crucial para
transformar la gestión de riesgos.
Estas tecnologías permiten una prevención más
eficaz al identificar peligros y riesgos laborales
de manera temprana, protegiendo a los
trabajadores de forma proactiva y no reactiva
conforme a la tendencia 5.0 exige. La
transición hacia entornos laborales humano
céntricos reduce la siniestralidad y fortalece la
resiliencia y sostenibilidad al integrar el
bienestar del operario con la productividad. Este
enfoque permite a las cadenas de suministro
adaptarse ágilmente a las exigencias de la
industria 5.0. Aunque no resuelve todas las
brechas de seguridad, el estudio ofrece una base
para futuras intervenciones que impulsen una
protección integral en la cadena
agroalimentaria.
Referencias Bibliográficas
Adbdulrashid, I., Zanjirani Farahani, R.,
Mammadov, S., Khalafalla, M., & Chiang,
W. C. (2024). Explainable artificial
intelligence in transport logistics: Risk
analysis for road accidents. Transportation
Research Part E: Logistics and
Transportation Review, 186, 103563.
https://doi.org/10.1016/j.tre.2024.103563
Aby, G., Issa, S, Reid, J., Beseler, C., &
Shutske, J. (2024). Identification of
advantages and limitations of current risk
assessment and hazard analysis methods
when applied on autonomous agricultural
machineries. Journal of Agricultural Safety
and Health, 30(2), 35–52.
https://doi.org/10.13031/JASH.15873
Aleksić, A., Tadić, D., Komatina, N., & Nestić,
S. (2025). Failure mode and effects analysis
integrated with multi-attribute decision-
making methods under uncertainty: A
systematic literature review. Mathematics,
13(13).
https://doi.org/10.3390/math13132216
Alenjareghi, M., Sekkay, F., Dadouchi, C., &
Keivanpour, S. (2026). Wearable sensors in
Industry 4.0: Preventing work-related
musculoskeletal disorders. Sensors
International, 7, 100343.
https://doi.org/10.1016/j.sintl.2025.100343
Apicella, A., & Tarabella, A. (2025). Wearable
technologies in agriculture 4.0: A systematic
review of applications for worker safety and
ergonomic support. International Journal of
Academic Research in Business and Social
Sciences, 15(8).
https://doi.org/10.6007/ijarbss/v15-i8/26140
Arcury, T. A., Smith, S. A., Talton, J., &
Quandt, S. (2022). The abysmal organization
of work and work safety culture experienced
by North Carolina Latinx women in
farmworker families. International Journal
of Environmental Research and Public
Health, 19(8).
https://doi.org/10.3390/ijerph19084516
Bahar, M., Schokry, A., & Alhanjouri, M.
(2024). Real-time predictive maintenance
system of industrial equipment without
historical failure data. Passer Journal of
Basic and Applied Sciences, 6, 266–288.
https://doi.org/10.24271/PSR.2024.188571
Baidwan, N., Ramirez, M., Gerr, F., Boonstra,
D., Cavanaugh, J., & Casteel, C. (2021).
Cost, severity and prevalence of agricultural-
related injury workers’ compensation claims
in farming operations from 14 U.S. states.
International Journal of Environmental
Research and Public Health, 18(8), 4309.
https://doi.org/10.3390/ijerph18084309
Bangaru, S., Wang, C., & Aghazadeh, F.
(2022). Automated and continuous fatigue
monitoring in construction workers using
forearm EMG and IMU wearable sensors
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 153
and recurrent neural network. Sensors,
22(24). https://doi.org/10.3390/s22249729
Bhattarai, D., Singh, S., Baral, D., Sah, R.,
Budhathoki, S. S., & Pokharel, P. K. (2016).
Work-related injuries among farmers: A
cross-sectional study from rural Nepal.
Journal of Occupational Medicine and
Toxicology, 11(1), 48.
https://doi.org/10.1186/s12995-016-0137-2
Borghi, F., Spinazzè, A., De Nardis, N.,
Straccini, S., Rovelli, S., Fanti, G., Oxoli, D.,
Cattaneo, A., Cavallo, D. M., & Brovelli, M.
A. (2023). Monitoring of air pollution in
agricultural settings: A systematic review of
the literature.
https://doi.org/10.21203/rs.3.rs-2509444/v1
Budzyński, A., Federowicz, M., Jabłoński, A.,
Hasan, W., Gorszanów, J., & Nikitishyn, T.
(2024). A machine learning approach for
predicting road accidents. Safety & Defense,
10(2), 60–70.
https://doi.org/10.37105/sd.230
Calderón, R., Loja Llano, D., Tena García, T.,
Quiñonez, K., & Chávez, J. (2025). Risks of
greater incidence in the occurrence of work
accidents and occupational diseases: A
bibliographic review. Health Leadership and
Quality of Life, 4, 74.
https://doi.org/10.56294/hl202574
Cardoso, A., Ribeiro, A., Carneiro, P., & Colim,
A. (2024). Evaluating exoskeletons for
WMSD prevention: A systematic review of
applications and ergonomic approach in
occupational settings. International Journal
of Environmental Research and Public
Health, 21(12).
https://doi.org/10.3390/ijerph21121695
Chaiklieng, S., Suggaravetsiri, P., Poochada,
W., Thinkhamrop, W., & Dacherngkhao, T.
(2022). The burden of work-related diseases
and injuries among agriculturists: A three-
year retrospective study in Thailand. Safety,
8(4). https://doi.org/10.3390/safety8040078
Chen, Y. H., Riley, A. R., Duchowny, K. A., et
al. (2022). COVID-19 mortality and excess
mortality among working-age residents in
California, USA, by occupational sector. The
Lancet Public Health, 7(9), e744–e753.
https://doi.org/10.1016/S2468-
2667(22)00191-8
Chukwunazo, E., Lecturer, S., & Remigius
Obinna, O. (2022). A drone-based crop
monitoring system in precision agriculture
using RF remote control. International
Journal of Advances in Computer and
Electronics Engineering, 7(1).
https://www.researchgate.net/publication/36
1118905_A_Drone_Based_Crop_Monitorin
g_System_in_Precision_Agriculture_using_
RF_Remote_Control_Omeje_Crescent_Ony
ebuchi
Colombathanthri, A., Jomaa, W., & Chinniah,
Y. A. (2025). Human-centered cyber-
physical systems in manufacturing industry:
A systematic search and review.
International Journal of Advanced
Manufacturing Technology, 136(5), 2107–
2141. https://doi.org/10.1007/s00170-024-
14959-w
Cromwell, E. A., Osborne, J., Unnasch, T., et al.
(2021). Predicting the environmental
suitability for onchocerciasis in Africa.
PLOS Neglected Tropical Diseases, 15(7),
e0008824.
https://doi.org/10.1371/journal.pntd.000882
4
De Leo, F., Elia, V., Gnoni, M., (2023).
Assessment of safety levels in the
agricultural sector for supporting social
sustainability. Sustainability, 15(16).
https://doi.org/10.3390/su151612585
Dos Santos, J., Valli, J., Sesse, N. (2021).
Sociodemographic characteristics and
exposure patterns of pesticide-related cases.
Archives of Environmental & Occupational
Health, 76(8), 494–503.
https://doi.org/10.1080/19338244.2020.184
8773
Einarsdóttir, J., & Gunnlaugsson, G. (2024).
Child fatalities in tractor-related accidents in
rural Iceland. International Journal of
Environmental Research and Public Health,
21(10).
https://doi.org/10.3390/ijerph21101295
Ekmekci, M., & Yaman, S. (2024).
Occupational health and safety among
farmers. BMC Public Health, 24(1).
https://doi.org/10.1186/s12889-024-20249-
7
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 154
Fassa, A, Faria, N., Szortyka, A. (2021). Child
labor in family tobacco farms. International
Journal of Environmental Research and
Public Health, 18(22), 12255.
https://doi.org/10.3390/ijerph182212255
Faust, K., Casteel, C., McGehee, D., et al.
(2020). Examination of realism in a high-
fidelity tractor driving simulator. Journal of
Agricultural Safety and Health, 26(4), 123–
137. https://doi.org/10.13031/jash.14043
Gallego, V., Sánchez, A., Martón, I., &
Martorell, S. (2021). Analysis of
occupational accidents in Spain using
shrinkage regression methods. Safety
Science, 133.
https://doi.org/10.1016/j.ssci.2020.105000
García, J, & Osca, A. (2020). Occupational
accidents in immigrant workers in Spain:
The complex role of culture. Safety Science,
121, 507–515.
https://doi.org/10.1016/j.ssci.2019.09.027
Guimarães, R, Muzi, C., Meira, K., Dos Santos,
R, Saraiva, M, & Rohlfs, D. (2021).
Occupational exposure to carcinogens in
Brazil: An approach. Archives of
Environmental & Occupational Health,
76(7), 414–423.
https://doi.org/10.1080/19338244.2021.190
0044
Hendricks, K., Hendricks, S., & Layne, L.
(2021). A national overview of youth and
injury trends on U.S. farms, 2001–2014.
Journal of Agricultural Safety and Health,
27(3), 121–134.
https://doi.org/10.13031/jash.14473
Ioannou, L., Mantzios, K., Tsoutsoubi, L.,
Nintou, E., Vliora, M., Gkiata, P., Dallas, C.
N., Gkikas, G., Agaliotis, G., Sfakianakis,
K., Kapnia, A, Testa, D., Amorim, T., Dinas,
P. C., Mayor, T. S., Gao, C., Nybo, L., &
Flouris, A. (2021). Occupational heat stress:
Multi-country observations and
interventions. International Journal of
Environmental Research and Public Health,
18(12).
https://doi.org/10.3390/ijerph18126303
Jakob, M., Santa, D., Holte, K., Sikkeland, I.,
Hilt, B., & Lundqvist, P. (2021).
Occupational health and safety in
agriculture: A brief report on organization,
legislation and support in selected European
countries. Annals of Agricultural and
Environmental Medicine, 28(3), 452–457.
https://doi.org/10.26444/AAEM/140197
Javaid, M., Haleem, A., Singh, R., Haq, M.,
Raina, A., & Suman, R. (2020). Industry 5.0:
Potential applications in COVID-19. Journal
of Industrial Integration and Management,
5(4), 507–530.
https://doi.org/10.1142/S242486222050022
0
Jayalath, M., Ratnayake, R., Perera, H, &
Thibbotuwawa, A. (2026). An analytical
approach to risk assessment in agri-food
supply chains using fuzzy inference systems.
Supply Chain Analytics, 13(2), 100179.
https://doi.org/10.1016/j.sca.2025.100179
Jhael, N., Prado, G., Roberto, F., Chicaiza, L.,
Aníbal, C., Mantilla, R., Humberto, C.,
Rosero, S., Quezada, A. S., Ortega, T., &
Quezada, S. (2024). Supply chain 5.0
performance indicators for agroindustry: A
review of the literature. ConcienciaDigital,
7(3), 112–134.
https://doi.org/10.33262/concienciadigital.v
7i3.3089
Kasampalis, D. S., Tsouvaltzis, P., Ntouros, K.,
Gertsis, A., Gitas, I., & Siomos, A. S. (2021).
The use of digital imaging, chlorophyll
fluorescence and Vis/NIR spectroscopy in
assessing the ripening stage and freshness
status of bell pepper fruit. Computers and
Electronics in Agriculture, 187, 106265.
https://doi.org/10.1016/j.compag.2021.1062
65
Kayikci, Y., Subramanian, N., Dora, M., &
Bhatia, M. S. (2022). Food supply chain in
the era of Industry 4.0: Blockchain
technology implementation opportunities
and impediments from the perspective of
people, process, performance, and
technology. Production Planning & Control,
33(2–3), 301–321.
https://doi.org/10.1080/09537287.2020.181
0757
Kim, K., Kim, H., Lee, M., Jung, W., & Choi,
D. (2022). Incidence rates of agricultural
machine-related injuries in South Korea.
International Journal of Environmental
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 155
Research and Public Health, 19(23), 15588.
https://doi.org/10.3390/ijerph192315588
Kurth, L., Meyers, A. R., Wurzelbacher, S,
Naber, S. J., & Cooper, C. (2024).
Respiratory-related workers’ compensation
claims from private employers—Ohio,
2001–2018. Journal of Safety Research, 90,
128–136.
https://doi.org/10.1016/j.jsr.2024.06.004
Laines, Y. M., & Jaramillo, K. (2026).
Seguridad y salud ocupacional del trabajador
agrícola ecuatoriano ante el cambio
climático y la exposición al estrés térmico.
Revista Universidad de Guayaquil, 140(1),
126–144.
https://doi.org/10.53591/RUG.V140I1.2157
Lu, Y. (2022). A cyber-physical system
approach to zero-defect manufacturing in
light-gauge steel frame assemblies. Procedia
Computer Science, 200, 924–933.
https://doi.org/10.1016/j.jii.2017.04.005
Madrigal, R., Domínguez, N., & Martín-, A.
(2026). Wearable biosensing and machine
learning for data-driven training and
coaching support. Biosensors, 16(2), 97.
https://doi.org/10.3390/bios16020097
Michael, J, & Gorucu, S. (2023). Severe injuries
from product movement in the U.S. food
supply chain. Journal of Safety Research, 85,
234–241.
https://doi.org/10.1016/j.jsr.2023.02.007
Motta, F., Varrecchia, T., Chini, G., Ranavolo,
A., & Galli, M. (2024). The use of wearable
systems for assessing work-related risks
related to the musculoskeletal system: A
systematic review. International Journal of
Environmental Research and Public Health,
21(12).
https://doi.org/10.3390/ijerph21121567
Nahavandi, S. (2019). Industry 5.0—A human-
centric solution. Sustainability, 11(16).
https://doi.org/10.3390/su11164371
Nasir, V., Hosseini, A., Binfield, L., Hasani, N.,
Ghotb, S., Diederichs, V., Fox, G. O.,
McCann, A. J., Riggio, M., Chandler, K. D.,
& Hansen, E. (2025). Human centric
Industry 5.0 manufacturing: A multi level
framework from design to consumption
within Society 5.0. International Journal of
Sustainable Engineering, 18(1).
https://doi.org/10.1080/19397038.2025.255
1000
Niang, M., Reponen, T., Talaska, G., Ying, J.,
Reichard, J. F., Pecquet, A., & Maier, A.
(2024). Preliminary human health risk
assessment of antibiotic exposures in human
waste handling occupations. Journal of
Occupational and Environmental Hygiene,
21(10), 721–740.
https://doi.org/10.1080/15459624.2024.240
5405
Noroozi, E., & Taherian, A. R. (2023).
Occupational health and safety in the food
and beverage industry.
https://doi.org/10.1201/9781003303152
Ouyang, Y., Liu, M., Cheng, C., Yang, Y., He,
S., & Zheng, L. (2023). Monitoring
inattention in construction workers caused
by physical fatigue using electrocardiograph
(ECG) and galvanic skin response (GSR)
sensors. Sensors, 23(17).
https://doi.org/10.3390/s23177405
Parri, L., Tani, M., Baldo, D., Parrino, S., Landi,
E., Mugnaini, M., & Fort, A. (2023). A
distributed IoT air quality measurement
system for high-risk workplace safety
enhancement. Sensors, 23(11).
https://doi.org/10.3390/s23115060
Patidar, A., Sharma, M., Agrawal, R., &
Sangwan, K. S. (2023). Antecedents of a
resilient sustainable supply chain. Procedia
CIRP, 116, 558–563.
https://doi.org/10.1016/j.procir.2023.02.094
Patil, S., Vasu, V., & Srinadh, K. V. S. (2023).
Advances and perspectives in collaborative
robotics: A review of key technologies and
emerging trends. Discover Mechanical
Engineering, 2(1).
https://doi.org/10.1007/s44245-023-00021-
8
Plakantara, S., & Karakitsiou, A. (2025).
Transforming agrifood supply chains with
digital technologies: A systematic review of
safety and quality risk management.
Operations Research Forum, 6(3).
https://doi.org/10.1007/s43069-025-00511-
3
Rejeb, A., Keogh, J., Zailani, S., Treiblmaier,
H., & Rejeb, K. (2020). Blockchain
technology in the food industry: A review of
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 156
potentials, challenges and future research
directions. Logistics, 4(4).
https://doi.org/10.3390/logistics4040027
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier,
H., & Zailani, S. (2020). Internet of Things
research in supply chain management and
logistics: A bibliometric analysis. Internet of
Things, 12.
https://doi.org/10.1016/j.iot.2020.100318
Russo, P, & Carpenter, D. (2019). Occupational
exposures to carcinogens in an industry:
Identifying and communicating chemical
risk. International Journal of Pollution
Research. https://doi.org/10.29011/IJPR-
105
Sharma, M., Antony, R., Vadalkar, S., &
Ishizaka, A. (2024). Role of Industry 4.0
technologies and human-machine interaction
for de-carbonization of food supply chains.
Journal of Cleaner Production, 468, 142922.
https://doi.org/10.1016/j.jclepro.2024.14292
2
Sheikh, A., Sheikh, M., & Rinvee, T. (2025).
Smart transportation systems with artificial
intelligence: Enhancing efficiency, safety,
and sustainability. SSRN Electronic Journal.
https://doi.org/10.2139/ssrn.5767344
Shokouhi, Y., Nassiri, P., Mohammadfam, I., &
Azam, K. (2021). Predicting the probability
of occupational fall incidents: A Bayesian
network model for the oil industry.
International Journal of Occupational Safety
and Ergonomics, 27(3), 654–663.
https://doi.org/10.1080/10803548.2019.160
7052
Sikalidis, A, Kristo, A., Reaves, S., Kurfess, F.
J., DeLay, A., Vasilaky, K., & Donegan, L.
(2022). Capacity strengthening undertaking
Farm organized response of workers against
risk for diabetes: A concept approach.
Sensors, 22(21), 8299.
https://doi.org/10.3390/s22218299
Simas, J., Yamauchi, L., & Alencar, M. (2021).
Risk factors associated among respiratory
health and banana farming. Archives of
Environmental & Occupational Health,
76(4), 181–187.
https://doi.org/10.1080/19338244.2020.179
4773
Spieth, P., Schneckenberg, D., & Ricart, J.
(2014). Business model innovation: State of
the art and future challenges for the field.
R&D Management, 44(3), 237–247.
https://doi.org/10.1111/radm.12071
Thamsuwan, O., Galvin, K., Tchong-French,
M., Aulck, L., Boyle, L. N., Ching, R. P.,
McQuade, K. J., & Johnson, P. W. (2020).
Comparisons of physical exposure between
workers harvesting apples on mobile orchard
platforms and ladders. Applied Ergonomics,
89, 103192.
https://doi.org/10.1016/j.apergo.2020.10319
2
Torres, B., Morales, L., Lema, F., Sigüenza-, L.,
& Tubón, E. (2025). Metodologías para la
evaluación de sostenibilidad en cadenas de
suministro agroalimentarias. 593 digital
Publisher CEIT, 10(6), 203–220.
https://doi.org/10.33386/593dp.2025.6.3601
Tuni, A., Cicerelli, F., & Giorgetti, M. (2025).
Power in sustainable supply chain
management: A systematic literature review.
Journal of Purchasing and Supply
Management.
https://doi.org/10.1016/j.pursup.2025.10108
2
Vielma, C., Achebak, H., Quijal, M., Lloyd, S.
J., Chevance, G., & Ballester, J. (2024).
Association between temperature and
occupational injuries in Spain. Environment
International, 192, 109006.
https://doi.org/10.1016/j.envint.2024.10900
6
Yan, T., Yang, S., Zhou, X., Zhang, C., Zhu, X.,
Ma, W., Tang, S., & Li, J. (2022a). Chronic
kidney disease among greenhouse workers
and field workers in China. Chemosphere,
302, 134905.
https://doi.org/10.1016/j.chemosphere.2022.
134905
Yang, L., Branscum, A., Bovbjerg, V., Cude,
C., Weston, C., & Kincl, L. (2021).
Assessing disabling and non-disabling
injuries and illnesses using workers
compensation data. Journal of Safety
Research, 77, 241–254.
https://doi.org/10.1016/j.jsr.2021.03.007
Zhai, H. (2023). A dynamic model for risk
assessment of cross-border fresh agricultural
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 4.1
Edición Especial IV 2026
Página 157
supply chain. International Journal of Advanced
Computer Science and Applications, 14(7),
511–518.
https://doi.org/10.14569/IJACSA.2023.014075
6
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Shirley Trinidad
Chagmana Ases, Anahi Estefania Guamangate
Casillas, Lorena Catalina Sigüenza Guzmán, Edith
Elena Tubón Núñez, Freddy Roberto Lema
Chicaiza y Luis Alberto Morales Perrazo.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Shirley Trinidad Chagmana Ases: Conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Anahi Estefania Guamangate Casillas: Curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.
Lorena Catalina Sigüenza Guzmán: Conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal
de los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Edith ElenaTubón Núñez: Conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Freddy Roberto Lema Chicaiza: Conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Luis Alberto Morales Perrazo: Conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.