Détection et sous‑typage de la ketoacidose à partir de profils métabolomiques en expertise médico‑légale

Pourquoi cela compte au‑delà de la salle d’autopsie

La ketoacidose est un état potentiellement mortel où le sang devient dangereusement acide, le plus souvent associé au diabète, à une consommation excessive d’alcool, à un froid extrême ou à la famine. Lorsqu’une personne décède subitement, il peut être étonnamment difficile pour les médecins légistes de déterminer lequel de ces processus est réellement responsable, même avec les analyses actuelles. Cette étude montre comment les profils de petites molécules dans le sang, combinés à des techniques informatiques modernes, peuvent aider à reconstituer l’état métabolique final d’une personne et à mieux expliquer la cause du décès.

À la recherche d’indices cachés dans la chimie du sang

Plutôt que de mesurer seulement quelques substances bien connues comme le glucose ou certains corps cétoniques individuels, les chercheurs ont utilisé une approche globale appelée métabolomique. Cette technique capture des milliers de petites molécules dans un échantillon sanguin en une seule fois, offrant un instantané détaillé de la chimie du corps au moment du décès. En Suède, le sang prélevé lors d’autopsies est déjà analysé par spectrométrie de masse haute résolution pour dépister les médicaments. L’équipe a réalisé que ces mêmes mesures contiennent aussi de riches informations sur les molécules endogènes, et elle a utilisé cette ressource existante pour étudier plus de 1 700 cas médico‑légaux réels collectés entre 2017 et 2020.

Construire un « détecteur de motifs » pour l’acidose mortelle

Les scientifiques se sont concentrés sur quatre grands groupes de décès : ketoacidose alcoolique, ketoacidose diabétique, hypothermie fatale et pendaison. Les cas de pendaison ont servi de témoins parce que la cause du décès y est généralement claire et le processus relativement rapide, laissant moins de temps pour que le métabolisme dérive. À partir de l’échantillon de sang fémoral de chaque personne, l’équipe a extrait 4 484 signaux chimiques distincts. Des tests statistiques ont montré que plus de 1 400 de ces signaux différaient entre les décès liés à la ketoacidose et le groupe témoin, mais des méthodes de visualisation simples ne pouvaient pas séparer proprement les groupes — ce qui suggère que des outils de reconnaissance de motifs plus avancés étaient nécessaires.

Apprendre aux machines à trier les causes de décès

Pour gérer cette complexité, les chercheurs ont entraîné trois types de modèles d’apprentissage automatique — forêts aléatoires, une forme de régression pénalisée et des machines à vecteurs de support. D’abord, ils ont demandé aux modèles de répondre à une question simple : cette personne est‑elle morte d’une ketoacidose ou non ? Après apprentissage sur 70 % des cas, les modèles ont été testés sur les 30 % restants. Les trois ont correctement identifié la ketoacidose dans environ 90 % des cas et reconnu correctement les témoins dans environ 98 %, montrant que l’empreinte métabolique globale de la ketoacidose est distincte et détectable même après la mort.

Distinguer différents chemins menant au même état mortel

L’équipe a ensuite soumis aux modèles une tâche plus difficile : différencier ketoacidose alcoolique, ketoacidose diabétique, hypothermie et témoins. Ici, les systèmes ont encore bien performé, avec des précisions équilibrées supérieures à 80 %. Ils étaient particulièrement aptes à séparer la ketoacidose alcoolique de la ketoacidose diabétique, tandis que les cas d’hypothermie étaient parfois confondus avec les témoins, reflétant des similarités chimiques entre ces groupes. Pour vérifier si les modèles captaient vraiment la ketoacidose plutôt que simplement le diabète ou la consommation d’alcool, les chercheurs les ont testés sur de nouveaux ensembles de cas où le diabète ou l’alcoolisme était présent mais où la cause principale du décès était autre. Beaucoup de ces cas ont été correctement classés comme témoins, ce qui soutient l’idée que les modèles repèrent la crise métabolique terminale et non simplement une maladie de fond.

Ce que les molécules révèlent des dernières heures du corps

En examinant les caractéristiques sur lesquelles les modèles s’appuyaient le plus, les chercheurs ont identifié plusieurs molécules nommées liées à des conditions spécifiques. Par exemple, des signaux liés à la glucosamine étaient plus élevés dans les décès impliquant le diabète, cohérents avec des voies connues associées à une glycémie élevée chronique. Le cortisol, une hormone du stress, était élevé dans tous les sous‑types de ketoacidose comparés aux témoins, soutenant son rôle comme marqueur d’un stress physiologique sévère. D’autres molécules associées à la dégradation de la vitamine B3 et à la chimie des pigments semblaient particulièrement altérées en cas d’hypothermie, faisant écho à des études antérieures et suggérant comment le stress du froid reconfigure le métabolisme proche du décès.

Apporter plus d’objectivité aux décisions médico‑légales difficiles

Concrètement, cette étude montre qu’un ordinateur entraîné sur des profils chimiques larges issus de sang postmortem peut à la fois détecter qu’une personne est décédée en état de ketoacidose et souvent déterminer si le facteur déclenchant était le diabète, l’alcool ou l’exposition au froid. Les modèles ne sont pas parfaits et dépendent d’un protocole d’étude rigoureux et de données de haute qualité, mais ils offrent un deuxième avis puissant lorsque les signes traditionnels et quelques tests de laboratoire sont ambigus. Après validations complémentaires, une telle analyse des motifs métabolomiques pourrait aider les pathologistes médico‑légaux à fournir des réponses plus claires aux familles et aux tribunaux sur les circonstances et les causes d’un décès.

Citation: 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

Mots-clés: ketoacidose, pathologie médico‑légale, métabolomique, apprentissage automatique, cause du décès