Detectie en subtypering van ketoacidose uit metabolomische patronen in forensische zaken

Waarom dit verder reikt dan de obductiekamer

Ketoacidose is een levensbedreigende toestand waarbij het bloed gevaarlijk zuur wordt, vaak gerelateerd aan diabetes, zwaar alcoholgebruik, extreme kou of uithongering. Wanneer iemand plotseling overlijdt, is het voor forensische artsen verrassend lastig om vast te stellen welk van deze processen daadwerkelijk de oorzaak was, zelfs met de huidige laboratoriumtests. Deze studie toont aan hoe patronen van kleine moleculen in bloed, gecombineerd met moderne computermethoden, kunnen helpen de laatste metabolische staat van een persoon te reconstrueren en duidelijker te verklaren waarom die persoon is overleden.

Op zoek naar verborgen aanwijzingen in bloedchemie

In plaats van slechts een paar bekende stoffen zoals glucose of individuele ketonlichamen te meten, gebruikten de onderzoekers een brede aanpak die metabolomics heet. Deze techniek legt tegelijkertijd duizenden kleine moleculen in een bloedmonster vast en biedt zo een gedetailleerd momentopname van de lichaamseigen chemie ten tijde van het overlijden. In Zweden wordt bloed uit obducties al door hoge-resolutie massaspectrometrie gehaald om op drugs te screenen. Het team realiseerde zich dat dezelfde metingen ook rijke informatie bevatten over de lichaamsvreemde moleculen en gebruikte deze bestaande bron om meer dan 1.700 echte forensische gevallen te bestuderen, verzameld tussen 2017 en 2020.

Een "patroonherkenner" bouwen voor dodelijke acidose

De wetenschappers concentreerden zich op vier hoofdgroepen van sterfgevallen: alcoholische ketoacidose, diabetische ketoacidose, dodelijke onderkoeling en ophanging. Gevallen van ophanging dienden als controles omdat de doodsoorzaak meestal duidelijk is en het proces relatief snel verloopt, met minder tijd voor metabolisme om te verschuiven. Uit het femorale bloedmonster van elke persoon extraheerde het team 4.484 afzonderlijke chemische signalen. Statistische tests lieten zien dat meer dan 1.400 van deze signalen verschilden tussen sterfgevallen gerelateerd aan ketoacidose en de controlegroep, maar eenvoudige visualisatiemethoden konden de groepen niet scherp scheiden—wat suggereert dat geavanceerdere patroonherkenningstools nodig waren.

Machines trainen om doodsoorzaken te onderscheiden

Om deze complexiteit aan te pakken, trainden de onderzoekers drie typen machine-learningmodellen—random forests, een vorm van gepenaliseerde regressie, en support vector machines. Ze stelden de modellen eerst een eenvoudige vraag: is deze persoon overleden met ketoacidose of niet? Nadat ze hadden geleerd van 70% van de gevallen, werden de modellen getest op de resterende 30%. Alle drie identificeerden ketoacidose correct in ongeveer 90% van de gevallen en herhaalden controles correct in ongeveer 98%, wat aantoont dat het algemene metabolische vingerafdruk van ketoacidose onderscheidend en detecteerbaar is, zelfs na overlijden.

Verschillende wegen naar dezelfde dodelijke toestand onderscheiden

Het team daagde de modellen vervolgens uit met een moeilijkere taak: het onderscheiden van alcoholische ketoacidose, diabetische ketoacidose, onderkoeling en controles. Hierbij presteerden de systemen nog steeds sterk, met gebalanceerde nauwkeurigheden boven 80%. Ze waren bijzonder goed in het scheiden van alcoholische en diabetische ketoacidose, terwijl onderkoelingsgevallen soms voor controles werden aangezien, wat de overlappende chemie tussen deze groepen weerspiegelt. Om te testen of de modellen echt ketoacidose oppikten in plaats van louter diabetes of alcoholgebruik, testten de onderzoekers ze op nieuwe datasets waarin diabetes of alcohol aanwezig was maar de hoofdzaak van overlijden iets anders was. Veel van deze gevallen werden correct als controle geclassificeerd, wat de gedachte ondersteunt dat de modellen letten op de uiteindelijke metabole crisis en niet alleen op achtergrondziekte.

Wat de moleculen onthullen over de laatste uren van het lichaam

Door te onderzoeken op welke kenmerken de modellen het meest vertrouwden, identificeerden de onderzoekers verschillende benoemde moleculen die aan specifieke toestanden gekoppeld waren. Zo waren glucosamine-gerelateerde signalen hoger bij sterfgevallen met diabetes, in lijn met bekende paden die samenhangen met langdurig hoge bloedsuiker. Cortisol, een stresshormoon, was verhoogd in alle subtypes van ketoacidose vergeleken met controles, wat zijn rol als merker van ernstige fysiologische belasting ondersteunt. Andere moleculen die verband houden met afbraak van vitamine B3 en pigmentchemie leken vooral veranderd bij onderkoeling, wat eerdere studies echoot en suggereert hoe koude stress het metabolisme nabij de dood hervormt.

Meer objectiviteit brengen in moeilijke forensische beslissingen

Kort gezegd laat deze studie zien dat een computer, getraind op brede chemische profielen uit postmortaal bloed, zowel kan detecteren wanneer iemand is overleden in een staat van ketoacidose als vaak kan bepalen of diabetes, alcohol of koude-exposure de drijvende factor was. De modellen zijn niet perfect en ze zijn afhankelijk van zorgvuldig studieontwerp en gegevens van hoge kwaliteit, maar ze bieden een krachtig second opinion wanneer traditionele tekenen en een handvol labtests onduidelijk zijn. Met verdere validatie zou dergelijke metabolomische patroonanalyse forensische pathologen kunnen helpen duidelijkere antwoorden te geven aan families en rechtbanken over hoe en waarom iemand is overleden.

Bronvermelding: 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

Trefwoorden: ketoacidose, forensische pathologie, metabolomics, machine learning, doodsoorzaak