Rilevamento e sottotipizzazione della chetoacidosi da pattern metabolomici nel lavoro forense

Perché questo conta oltre la sala autoptica

La chetoacidosi è una condizione potenzialmente letale in cui il sangue diventa pericolosamente acido, spesso associata a diabete, consumo eccessivo di alcol, freddo estremo o digiuno prolungato. Quando qualcuno muore improvvisamente, può essere sorprendentemente difficile per i medici legali stabilire quale di questi processi sia stato effettivamente responsabile, anche con gli esami di laboratorio odierni. Questo studio mostra come i pattern di piccole molecole nel sangue, combinati con tecniche informatiche moderne, possano aiutare a ricostruire lo stato metabolico finale di una persona e spiegare più chiaramente perché è morta.

Cercare indizi nascosti nella chimica del sangue

Invece di misurare solo poche sostanze note come il glucosio o singoli corpi chetonici, i ricercatori hanno adottato un approccio ampio chiamato metabolomica. Questa tecnica cattura migliaia di piccole molecole in un campione di sangue contemporaneamente, offrendo un’istantanea dettagliata della chimica corporea al momento della morte. In Svezia, il sangue prelevato durante le autopsie viene già analizzato con spettrometria di massa ad alta risoluzione per lo screening di droghe. Il team ha capito che le stesse misurazioni contengono anche informazioni ricche sulle molecole endogene e ha utilizzato questa risorsa esistente per studiare oltre 1.700 casi forensi reali raccolti tra il 2017 e il 2020.

Costruire un “rilevatore di pattern” per l’acidosi mortale

Gli scienziati si sono concentrati su quattro gruppi principali di decesso: chetoacidosi alcolica, chetoacidosi diabetica, ipotermia fatale e impiccamento. I casi di impiccamento sono stati utilizzati come controlli perché la causa della morte è solitamente chiara e il processo è relativamente rapido, con meno tempo per variazioni metaboliche. Dal campione di sangue femorale di ciascuna persona, il team ha estratto 4.484 segnali chimici distinti. Test statistici hanno mostrato che oltre 1.400 di questi differivano tra decessi legati a chetoacidosi e il gruppo di controllo, ma metodi di visualizzazione semplici non riuscivano a separare nettamente i gruppi, suggerendo la necessità di strumenti di riconoscimento di pattern più avanzati.

Insegnare alle macchine a distinguere le cause di morte

Per affrontare questa complessità, i ricercatori hanno addestrato tre tipi di modelli di apprendimento automatico — random forest, una forma di regressione penalizzata e macchine a vettori di supporto. Prima hanno chiesto ai modelli una domanda semplice: questa persona è morta per chetoacidosi oppure no? Dopo aver imparato dal 70% dei casi, i modelli sono stati testati sul restante 30%. Tutti e tre hanno identificato correttamente la chetoacidosi in circa il 90% dei casi e hanno riconosciuto correttamente i controlli in circa il 98%, dimostrando che l’impronta metabolica complessiva della chetoacidosi è distinta e rilevabile anche dopo la morte.

Distinguer e diversi percorsi verso lo stesso stato letale

Il team ha poi sfidato i modelli con un compito più difficile: distinguere tra chetoacidosi alcolica, chetoacidosi diabetica, ipotermia e controlli. Anche qui i sistemi hanno mantenuto buone prestazioni, con accuratezze bilanciate superiori all’80%. Sono stati particolarmente abili nel separare la chetoacidosi alcolica da quella diabetica, mentre i casi di ipotermia sono stati talvolta confusi con i controlli, riflettendo una chimica sovrapponibile tra questi gruppi. Per verificare se i modelli identificassero realmente la chetoacidosi piuttosto che il semplice diabete o consumo di alcol, i ricercatori li hanno testati su set di casi nuovi in cui erano presenti diabete o alcol ma la causa principale della morte era un’altra. Molti di questi sono stati classificati correttamente come controlli, a sostegno dell’idea che i modelli rilevino la crisi metabolica terminale e non solo la patologia di base.

Cosa rivelano le molecole sulle ultime ore del corpo

Analizzando le caratteristiche su cui i modelli si basavano di più, i ricercatori hanno identificato diverse molecole note associate a condizioni specifiche. Per esempio, segnali legati alla glucosamina erano più alti nei decessi con diabete, coerente con vie metaboliche note associate all’iperglicemia cronica. Il cortisolo, un ormone dello stress, risultava elevato in tutti i sottotipi di chetoacidosi rispetto ai controlli, a sostegno del suo ruolo come indicatore di grave sforzo fisiologico. Altre molecole legate al degrado della vitamina B3 e alla chimica dei pigmenti apparivano particolarmente alterate nell’ipotermia, richiamando studi precedenti e suggerendo come lo stress da freddo modifichi il metabolismo prima della morte.

Portare maggiore oggettività alle decisioni forensi difficili

In termini pratici, questo studio dimostra che un computer addestrato su profili chimici ampi del sangue postmortem può sia rilevare quando una persona è morta in stato di chetoacidosi sia spesso determinare se diabete, alcol o esposizione al freddo siano stati il fattore determinante. I modelli non sono perfetti e dipendono da un disegno dello studio accurato e da dati di alta qualità, ma offrono un potente secondo parere quando i segni tradizionali e pochi test di laboratorio sono ambigui. Con ulteriori validazioni, tale analisi dei pattern metabolomici potrebbe aiutare i patologi forensi a fornire risposte più chiare a famiglie e tribunali su come e perché una persona è morta.

Citazione: 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

Parole chiave: chetoacidosi, patologia forense, metabolomica, apprendimento automatico, causa della morte