Het menselijk metaboloom en machine learning verbeteren voorspellingen van het postmortale interval

Waarom het tijdstip van overlijden ertoe doet

Weten wanneer iemand is overleden is een centraal raadsel in veel strafrechtelijke onderzoeken en onverklaarde sterfgevallen. Een nauwkeurige schatting van de tijd sinds overlijden, het postmortale interval genoemd, kan alibi’s bevestigen of weerleggen, verdachten uitsluiten of juist verkleinen en helpen reconstrueren wat er in iemands laatste uren en dagen is gebeurd. De huidige instrumenten, zoals lichaamstemperatuur of chemische metingen in het oog, verliezen echter al snel betrouwbaarheid na de eerste dag of twee. Deze studie onderzoekt of onzichtbare chemische sporen in bloed, gecombineerd met moderne kunstmatige intelligentie, dat bruikbare venster kunnen verlengen — van een paar dagen tot bijna twee maanden na overlijden.

Beperkingen van de huidige forensische aanwijzingen

Forensische deskundigen vertrouwen traditioneel op zichtbare en fysieke tekenen zoals verkleuring van de huid, stijfheid van het lichaam of afkoeling van het lijk, evenals op kaliumwaarden in het heldere oogvocht. Deze aanwijzingen werken redelijk goed in een vroeg stadium maar zijn subjectief, sterk afhankelijk van de omgeving en meestal niet meer betrouwbaar na één tot drie dagen. Voor langere perioden moeten onderzoekers terugvallen op veel grovere indicatoren zoals insectenactiviteit, de staat van ontbinding of zelfs analyse van geskeletten resten. Er is een duidelijke behoefte aan kwantitatieve methoden die de kloof kunnen overbruggen tussen vroege, op temperatuur gebaseerde schattingen en zeer late, op ontbinding gebaseerde benaderingen.

De chemische sporen van het lichaam als een verborgen klok

Na overlijden veranderen de kleine moleculen van het lichaam — gezamenlijk het metaboloom genoemd — op systematische wijze als cellen energie verliezen, membranen afbreken en eiwitten verteerd worden. De onderzoekers maakten gebruik van dit proces door bestaande toxicologische gegevens te hergebruiken: hoogresolutie-metingen van duizenden chemische kenmerken uit femoraal bloed dat routinematig tijdens autopsies wordt verzameld. In totaal analyseerden ze 4.876 echte forensische gevallen met bekende tijden tussen overlijden en autopsie, meestal tussen één en dertien dagen maar tot wel 67 dagen. In plaats van te zoeken naar één ‘magische’ marker, vroegen ze zich af of het hele patroon van veel metabolieten samen als een chemische klok kon fungeren.

Een AI leren de chemische klok te lezen

Het team trainde een feed-forward neuraal netwerk, een type machine learning-model, om ongeveer 2.300 chemische signalen te verwerken en het geschatte aantal dagen sinds overlijden te voorspellen. Na het optimaliseren van de instellingen van het model en het gebruik van een deel van de gevallen voor training en een deel voor testen, voorspelde het systeem het postmortale interval met een gemiddelde fout van ongeveer 1,5 dag, en een mediaanfout net iets meer dan één dag, bij onbekende gevallen. Deze prestatie was beter dan zes alternatieve benaderingen, waaronder verschillende standaard statistische en machine learning-methoden. Hoewel voorspellingen het meest nauwkeurig waren voor sterfgevallen in het midden van het tijdsbereik en minder precies voor zeer korte of zeer lange intervallen, kwam de algemene fout overeen met de onzekerheid die al aanwezig was in de geregistreerde tijden van overlijden zelf.

Wat het model onthult over ontbinding in het lichaam

Aangezien neurale netwerken vaak worden gezien als zwarte dozen, onderzochten de auteurs nader welke chemische veranderingen het model gebruikte. Door bij te houden welke metabolieten belangrijk waren en hoe ze de neiging hadden te stijgen of te dalen in de tijd, ontdekten ze drie brede patronen. Sommige moleculen, met name bepaalde lipiden en acylcarnitines, daalden gestaag, wat past bij de afbraak van celmembranen en de afnemende mitochondriale energieproductie. Andere, met name aminozuren en korte eiwitfragmenten, namen toe, in overeenstemming met het afbreken van eiwitten naarmate weefsels degraderen. Een derde groep vertoonde complexere krommen in de tijd. Deze trends weerspiegelen eerdere dier- en humane studies en wijzen op herkenbare biologische processen — lipidafbraak, mitochondriale uitval en eiwitvertering — die zich geleidelijk na overlijden ontvouwen.

Van grootschalige studies naar praktische instrumenten

Om te testen of hun benadering buiten één laboratorium kon werken, pasten de onderzoekers het getrainde neurale netwerk toe op 512 nieuwe gevallen die in een ander jaar op een ander massaspectrometer werden gemeten. Zelfs zonder hertraining bleef de fout van het model rond 1,8 dag, wat suggereert dat het chemische signaal robuust genoeg is om verschillen in apparatuur en timing te weerstaan. Ze toonden ook aan dat eenvoudigere modellen, getraind op slechts een paar honderd gevallen, nog steeds nuttige nauwkeurigheid bereikten, wat impliceert dat kleinere forensische instituten hun eigen voorspellingshulpmiddelen zouden kunnen ontwikkelen. Hoewel omgevingsfactoren en doodsoorzaak ook het metaboloom kunnen beïnvloeden, en meer gebalanceerde data voor zeer korte en zeer lange intervallen nodig zijn, wijzen de resultaten erop dat routinematige toxicologische gegevens kunnen worden hergebruikt als een krachtig hulpmiddel voor het schatten van de tijd sinds overlijden.

Wat dit betekent voor echte onderzoeken

Voor een niet-specialist is de belangrijkste conclusie dat de eigen chemie van het lichaam na overlijden lijkt te functioneren als een langzaam bewegende klok, en dat moderne AI deze klok met ongeveer een dag precisie kan aflezen over meer dan een week. Dit is geen perfecte stopwatch en het vervangt niet het oordeel van forensische experts of ander bewijs. Maar naarmate deze methoden verfijnd en in meer omgevingen gevalideerd worden, zouden ze onderzoekers een objectievere, data-gedreven schatting van de tijd sinds overlijden kunnen bieden, vooral in het kritieke venster waarin de huidige standaardmethoden beginnen te falen.

Bronvermelding: 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

Trefwoorden: forensische wetenschap, tijd van overlijden, metabolomica, machine learning, postmortale interval