Detección y subtipado de cetoacidosis a partir de patrones metabolómicos en peritajes forenses

Por qué importa más allá de la sala de autopsias

La cetoacidosis es una condición potencialmente mortal en la que la sangre se vuelve peligrosamente ácida, a menudo vinculada con la diabetes, el consumo intenso de alcohol, el frío extremo o la inanición. Cuando una persona muere de forma súbita, puede ser sorprendentemente difícil para los médicos forenses determinar cuál de estos procesos fue realmente responsable, aun con las pruebas de laboratorio actuales. Este estudio muestra cómo los patrones de pequeñas moléculas en la sangre, combinados con técnicas informáticas modernas, pueden ayudar a reconstruir el estado metabólico final de una persona y explicar con más claridad por qué murió.

Buscando pistas ocultas en la química sanguínea

En lugar de medir solo unas pocas sustancias bien conocidas, como la glucosa o cuerpos cetónicos concretos, los investigadores emplearon un enfoque amplio llamado metabolómica. Esta técnica captura miles de pequeñas moléculas en una muestra de sangre a la vez, ofreciendo una instantánea detallada de la química del cuerpo en el momento de la muerte. En Suecia, la sangre de las autopsias ya se procesa con espectrometría de masas de alta resolución para detectar fármacos. El equipo constató que las mismas mediciones contienen información rica sobre las propias moléculas del organismo y usaron este recurso existente para estudiar más de 1.700 casos forenses reales recogidos entre 2017 y 2020.

Construyendo un “detector de patrones” para la acidosis mortal

Los científicos se centraron en cuatro grupos principales de muertes: cetoacidosis alcohólica, cetoacidosis diabética, hipotermia fatal y ahorcamiento. Los casos de ahorcamiento sirvieron como controles porque la causa de la muerte suele estar clara y el proceso es relativamente rápido, con menos tiempo para que el metabolismo cambie. De la muestra de sangre femoral de cada persona, el equipo extrajo 4.484 señales químicas distintas. Las pruebas estadísticas mostraron que más de 1.400 de estas difirieron entre muertes vinculadas a cetoacidosis y el grupo control, pero los métodos de visualización sencillos no lograron separar claramente los grupos, lo que sugiere que se necesitaban herramientas de reconocimiento de patrones más avanzadas.

Enseñando a las máquinas a clasificar causas de muerte

Para abordar esta complejidad, los investigadores entrenaron tres tipos de modelos de aprendizaje automático: bosques aleatorios, una forma de regresión penalizada y máquinas de vectores de soporte. Primero pidieron a los modelos que respondieran una pregunta simple: ¿murió esta persona con cetoacidosis o no? Tras aprender con el 70 % de los casos, los modelos se probaron con el 30 % restante. Los tres identificaron correctamente la cetoacidosis en alrededor del 90 % de los casos y reconocieron correctamente los controles en aproximadamente el 98 %, lo que demuestra que la huella metabólica global de la cetoacidosis es distinta y detectable incluso después de la muerte.

Distinguiendo distintos caminos hacia el mismo estado mortal

El equipo desafió después a los modelos con una tarea más difícil: diferenciar entre cetoacidosis alcohólica, cetoacidosis diabética, hipotermia y controles. Aquí, los sistemas siguieron rindiendo con fuerza, con precisiones equilibradas por encima del 80 %. Fueron especialmente buenos separando la cetoacidosis alcohólica y la diabética, mientras que los casos de hipotermia a veces se confundieron con los controles, reflejando quí­mica superpuesta entre estos grupos. Para comprobar si los modelos realmente detectaban la cetoacidosis en lugar de simplemente la diabetes o el consumo de alcohol, los investigadores los probaron con conjuntos nuevos de casos en los que había diabetes o alcohol presentes pero la causa principal de la muerte era otra. Muchos de estos se clasificaron correctamente como controles, lo que refuerza la idea de que los modelos se centraban en la crisis metabólica final y no solo en enfermedades de base.

Lo que las moléculas revelan sobre las últimas horas del cuerpo

Al examinar las características en las que los modelos se basaron más, los investigadores identificaron varias moléculas nombradas vinculadas a condiciones específicas. Por ejemplo, las señales relacionadas con la glucosamina fueron más altas en muertes con implicación diabética, consistente con vías conocidas asociadas a la hiperglucemia crónica. El cortisol, una hormona del estrés, estaba elevado en todos los subtipos de cetoacidosis frente a los controles, lo que respalda su papel como marcador de fuerte tensión fisiológica. Otras moléculas asociadas a la degradación de la vitamina B3 y a la química de pigmentos aparecieron especialmente alteradas en la hipotermia, haciendo eco de estudios previos y sugiriendo cómo el estrés por frío remodela el metabolismo cerca de la muerte.

Aportando más objetividad a decisiones forenses difíciles

En términos sencillos, este estudio muestra que un ordenador entrenado con perfiles químicos amplios de sangre postmortem puede tanto detectar cuando una persona murió en estado de cetoacidosis como, a menudo, determinar si la diabetes, el alcohol o la exposición al frío fue el factor desencadenante. Los modelos no son perfectos y dependen de un diseño de estudio cuidadoso y de datos de alta calidad, pero ofrecen una opinión complementaria potente cuando los signos tradicionales y unas cuantas pruebas de laboratorio son ambiguos. Con más validación, este análisis de patrones metabolómicos podría ayudar a los patólogos forenses a ofrecer respuestas más claras a familias y tribunales sobre cómo y por qué murió una persona.

Cita: 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

Palabras clave: cetoacidosis, patología forense, metabolómica, aprendizaje automático, causa de la muerte