Erkennung und Subtypisierung von Ketoazidose anhand metabolomischer Muster in forensischen Fällen

Warum das über den Leichensaal hinaus wichtig ist

Ketoazidose ist ein lebensbedrohlicher Zustand, bei dem das Blut gefährlich sauer wird und der häufig mit Diabetes, starkem Alkoholmissbrauch, extremer Kälte oder Verhungern zusammenhängt. Wenn jemand plötzlich stirbt, fällt es forensischen Ärzten mitunter überraschend schwer zu bestimmen, welcher dieser Prozesse tatsächlich ausschlaggebend war – selbst mit heutigen Labortests. Diese Studie zeigt, wie Muster winziger Moleküle im Blut, kombiniert mit modernen Computerverfahren, helfen können, den letzten Stoffwechselzustand einer Person zu rekonstruieren und klarer zu erklären, warum sie starb.

Auf der Suche nach verborgenen Hinweisen in der Blutchemie

Anstatt nur einige wenige bekannte Substanzen wie Glukose oder einzelne Ketonkörper zu messen, nutzten die Forschenden einen breiten Ansatz, die Metabolomik. Diese Technik erfasst tausende kleiner Moleküle in einer Blutprobe auf einmal und liefert damit eine detaillierte Momentaufnahme der Körperchemie zum Todeszeitpunkt. In Schweden wird Blut aus Obduktionen bereits mittels hochauflösender Massenspektrometrie auf Drogen untersucht. Das Team erkannte, dass dieselben Messungen auch reichhaltige Informationen über körpereigene Moleküle enthalten, und nutzte diese vorhandene Ressource, um über 1.700 echte forensische Fälle aus den Jahren 2017 bis 2020 zu untersuchen.

Entwicklung eines „Mustererkenners“ für tödliche Azidose

Die Wissenschaftler konzentrierten sich auf vier Hauptgruppen von Todesfällen: alkoholische Ketoazidose, diabetische Ketoazidose, tödliche Hypothermie und Erhängen. Erhängungsfälle dienten als Kontrollen, weil die Todesursache dort meist klar ist und der Prozess vergleichsweise schnell abläuft, sodass weniger Zeit für Stoffwechselveränderungen bleibt. Aus der femoralen Blutprobe jeder Person extrahierte das Team 4.484 einzelne chemische Signale. Statistische Tests zeigten, dass mehr als 1.400 dieser Signale zwischen ketoazidotischen Todesfällen und der Kontrollgruppe unterschieden, doch einfache Visualisierungsmethoden konnten die Gruppen nicht sauber trennen – was darauf hindeutet, dass fortgeschrittene Mustererkennungswerkzeuge erforderlich sind.

Maschinen beibringen, Todesursachen zu sortieren

Um diese Komplexität zu bewältigen, trainierten die Forschenden drei Arten von Machine‑Learning‑Modellen – Random Forests, eine Form der penalisierten Regression und Support Vector Machines. Zuerst sollten die Modelle eine einfache Frage beantworten: starb diese Person mit Ketoazidose oder nicht? Nachdem sie aus 70 % der Fälle gelernt hatten, wurden die Modelle an den verbleibenden 30 % getestet. Alle drei erkannten Ketoazidose in gut 90 % der Fälle richtig und identifizierten Kontrollen zu etwa 98 % korrekt. Das zeigt, dass der gesamte metabolische Fingerabdruck der Ketoazidose auch postmortem unterscheidbar und nachweisbar ist.

Unterscheidung verschiedener Wege in denselben tödlichen Zustand

Das Team stellte die Modelle anschließend vor eine schwierigere Aufgabe: die Abgrenzung von alkoholischer Ketoazidose, diabetischer Ketoazidose, Hypothermie und Kontrollen. Auch hier waren die Systeme leistungsfähig, mit ausgeglichenen Genauigkeiten über 80 %. Besonders gut trennten sie alkoholische und diabetische Ketoazidose, während Hypothermie‑Fälle gelegentlich mit Kontrollen verwechselt wurden, was die chemische Überlappung zwischen diesen Gruppen widerspiegelt. Um zu prüfen, ob die Modelle tatsächlich auf Ketoazidose und nicht nur auf Diabetes oder Alkoholkonsum reagieren, testeten die Forschenden sie an neuen Fallgruppen, in denen Diabetes oder Alkohol zwar vorhanden waren, die unmittelbare Todesursache jedoch etwas anderes war. Viele dieser Fälle wurden korrekt als Kontrollen klassifiziert, was die Annahme stützt, dass die Modelle auf die letztendliche metabolische Krise reagieren und nicht nur auf Hintergrundkrankheiten.

Was die Moleküle über die letzten Stunden des Körpers verraten

Durch die Analyse, auf welche Merkmale die Modelle am stärksten setzten, identifizierten die Forschenden mehrere namentlich bekannte Moleküle, die mit bestimmten Zuständen assoziiert sind. So waren beispielsweise glucosaminbezogene Signale bei Todesfällen mit Diabetes erhöht, was mit bekannten Pfaden zusammenhängt, die durch langfristig hohen Blutzucker beeinflusst werden. Cortisol, ein Stresshormon, war in allen Ketoazidose‑Subtypen gegenüber den Kontrollen erhöht, was seine Rolle als Marker schwerer physiologischer Belastung unterstützt. Andere Moleküle, die mit dem Abbau von Vitamin B3 und mit Pigmentchemie in Verbindung stehen, zeigten besonders ausgeprägte Veränderungen bei Hypothermie und stimmen mit früheren Studien überein – ein Hinweis darauf, wie Kältestress den Stoffwechsel nahe dem Tod umgestaltet.

Mehr Objektivität für schwierige forensische Entscheidungen

Einfach gesagt zeigt diese Studie, dass ein Computer, der auf breit gefassten chemischen Profilen aus postmortem Blut trainiert wurde, sowohl erkennen kann, ob jemand in einem Zustand der Ketoazidose gestorben ist, als auch oft bestimmen kann, ob Diabetes, Alkohol oder Kälteeinwirkung der auslösende Faktor war. Die Modelle sind nicht perfekt und hängen von sorgfältigem Studiendesign und hochwertigen Daten ab, bieten aber eine starke Zweitmeinung, wenn traditionelle Befunde und wenige Labortests unklar sind. Mit weiterer Validierung könnte eine solche metabolomische Musteranalyse forensischen Pathologen helfen, Familien und Gerichten klarere Antworten darüber zu geben, wie und warum eine Person gestorben ist.

Zitation: Monte, R.E.C., Magnusson, R., Söderberg, C. et al. Detecting and subtyping ketoacidosis from metabolomic patterns in forensic casework. Sci Rep 16, 11607 (2026). https://doi.org/10.1038/s41598-026-45073-4

Schlüsselwörter: Ketoazidose, forensische Pathologie, Metabolomik, maschinelles Lernen, Todesursache