El manejo manual de materiales y la elevación de cargas son actividades que pueden causar trastornos musculoesqueléticos relacionados con el trabajo. Por esta razón, el Instituto Nacional de Seguridad y Salud Ocupacional propuso una ecuación que depende de los siguientes parámetros: intensidad, duración, frecuencia y características geométricas asociadas con la elevación de cargas. En este documento, exploramos la viabilidad de varios algoritmos de Aprendizaje Automático (ML), alimentados con características de dominio de frecuencia extraídas de señales electromiográficas (EMG) de los músculos de la espalda, para discriminar clases de riesgo biomecánico definidas por la Ecuación de Elevación Revisada de NIOSH. Las señales de EMG de los músculos multifidus y erector spinae fueron adquiridas mediante un dispositivo portátil para EMG de superficie y luego segmentadas para extraer varias características de dominio de frecuencia relacionadas con el Espectro de Potencia Total de la señal de EMG. Estas características fueron alimentadas a varios algoritmos de ML para evaluar su poder predictivo. Los algoritmos de ML produjeron resultados interesantes en la tarea de clasificación, con el algoritmo de Máquina de Vectores de Soporte superando a los demás con valores de precisión y Área bajo la Curva Característica de Operación del Receptor de hasta 0,985. Además, se encontró una correlación entre la fatiga muscular y las actividades de elevación riesgosas. Estos resultados mostraron la viabilidad de la metodología propuesta, basada en sensores portátiles e inteligencia artificial, para predecir el riesgo biomecánico asociado con la elevación de cargas. Una futura investigación en una población de estudio enriquecida y escenarios adicionales de elevación podría confirmar el potencial de la metodología propuesta y su aplicabilidad en el campo de la ergonomía ocupacional.