El metaboloma humano y el aprendizaje automático mejoran las predicciones del intervalo posmortem

Por qué importa el momento de la muerte

Saber cuándo murió una persona es un rompecabezas central en muchas investigaciones criminales y de muertes inexplicadas. Una estimación precisa del tiempo transcurrido desde la muerte, llamada intervalo posmortem, puede confirmar o refutar coartadas, acotar sospechosos y ayudar a reconstruir lo ocurrido en las últimas horas y días de la persona. Sin embargo, las herramientas actuales, como la temperatura del cuerpo o las mediciones químicas en el ojo, pierden fiabilidad rápidamente después del primer día o dos. Este estudio explora si rastros químicos invisibles en la sangre, combinados con la inteligencia artificial moderna, pueden ampliar esa ventana útil —de un par de días a casi dos meses después de la muerte.

Límites de las pistas forenses actuales

Los expertos forenses confían tradicionalmente en signos visibles y físicos como la decoloración de la piel, la rigidez cadavérica o el enfriamiento del cuerpo, así como en los niveles de potasio en el líquido claro del ojo. Estas pistas funcionan razonablemente bien al principio pero son subjetivas, están fuertemente influenciadas por el entorno y suelen dejar de ser fiables tras uno a tres días. Para periodos más largos, los investigadores deben recurrir a indicadores mucho más toscos como la actividad de insectos, el estado de descomposición o incluso el análisis de restos esqueletizados. Existe una necesidad clara de métodos cuantitativos que puedan cubrir la brecha entre las estimaciones tempranas basadas en la temperatura y los enfoques tardíos basados en la descomposición.

Las huellas químicas del cuerpo como un reloj oculto

Tras la muerte, las pequeñas moléculas del cuerpo —denominadas colectivamente metaboloma— cambian de forma sistemática a medida que las células pierden energía, las membranas se degradan y las proteínas se digieren. Los investigadores aprovecharon esto reutilizando datos toxicológicos existentes: mediciones de alta resolución de miles de señales químicas en sangre femoral recogida rutinariamente durante autopsias. En total analizaron 4.876 casos forenses reales con tiempos conocidos entre la muerte y la autopsia, en su mayoría entre uno y trece días, pero extendiéndose hasta 67 días. En lugar de buscar un único marcador "mágico", se preguntaron si el patrón completo de muchos metabolitos juntos podría funcionar como un reloj químico.

Enseñar a una IA a leer el reloj químico

El equipo entrenó una red neuronal feed-forward, un tipo de modelo de aprendizaje automático, para que tomara unas 2.300 señales químicas y devolviera la estimación de días transcurridos desde la muerte. Tras optimizar los parámetros del modelo y usar parte de los casos para entrenamiento y otra parte para prueba, el sistema predijo el intervalo posmortem con un error medio de alrededor de 1,5 días y un error mediano algo superior a un día en casos no vistos. Este rendimiento superó a seis enfoques alternativos, incluidos varios métodos estadísticos y de aprendizaje automático estándar. Si bien las predicciones fueron más precisas para muertes en la parte central del rango temporal y menos precisas para intervalos muy cortos o muy largos, el error global fue similar a la incertidumbre ya presente en los propios registros de las horas de la muerte.

Lo que el modelo revela sobre la descomposición interna

Dado que las redes neuronales suelen percibirse como cajas negras, los autores examinaron más de cerca qué cambios químicos usaba el modelo. Al seguir cómo los metabolitos importantes tendían a aumentar o disminuir con el tiempo, identificaron tres patrones amplios. Algunas moléculas, especialmente ciertos lípidos y acilcarnitinas, descendían de forma sostenida, coherente con la degradación de las membranas celulares y el descenso de la producción energética mitocondrial. Otras, notablemente aminoácidos y fragmentos cortos de proteínas, aumentaban, consistente con la fragmentación de proteínas a medida que los tejidos se degradan. Un tercer grupo mostró curvas más complejas en el tiempo. Estas tendencias reflejan estudios previos en animales y humanos y apuntan a procesos biológicos reconocibles —degradación lipídica, fallo mitocondrial y digestión proteica— que se desarrollan progresivamente tras la muerte.

De grandes estudios a herramientas prácticas

Para comprobar si su enfoque funcionaba más allá de un único laboratorio, los investigadores aplicaron la red neuronal entrenada a 512 casos nuevos medidos en otro año con un espectrómetro de masas distinto. Incluso sin volver a entrenar, el error del modelo se mantuvo alrededor de 1,8 días, lo que sugiere que la señal química es lo bastante robusta como para resistir diferencias en el equipo y el momento. También mostraron que modelos más simples entrenados con solo unos pocos cientos de casos seguían logrando una precisión útil, lo que implica que institutos forenses más pequeños podrían construir sus propias herramientas predictivas. Aunque factores ambientales y la causa de la muerte también pueden moldear el metaboloma, y hacen falta datos más equilibrados en intervalos muy cortos y muy largos, los resultados indican que los datos toxicológicos de rutina pueden reconvertirse en una ayuda poderosa para estimar el tiempo transcurrido desde la muerte.

Qué significa esto para las investigaciones reales

Para un público no especialista, la conclusión clave es que la propia química del cuerpo tras la muerte parece comportarse como un reloj de lenta marcha, y que la IA moderna puede leer ese reloj con una precisión de alrededor de un día durante más de una semana. No es un cronómetro perfecto ni sustituye el juicio de los expertos forenses ni a otras pruebas. Pero a medida que estos métodos se refinan y validan en más entornos, podrían ofrecer a los investigadores una estimación más objetiva y basada en datos del tiempo transcurrido desde la muerte, particularmente en la ventana crítica donde los enfoques estándar actuales comienzan a fallar.

Cita: Magnusson, R., Söderberg, C., Ward, L.J. et al. The human metabolome and machine learning improves predictions of the post-mortem interval. Nat Commun 17, 1504 (2026). https://doi.org/10.1038/s41467-026-69158-w

Palabras clave: ciencia forense, momento de la muerte, metabolómica, aprendizaje automático, intervalo posmortem