Wykrywanie i podtypowanie ketoacydozy na podstawie wzorców metabolomicznych w pracy sądowo-lekarskiej

Dlaczego to ma znaczenie poza salą sekcyjną

Ketoacydoza to stan zagrażający życiu, w którym krew staje się niebezpiecznie kwaśna; najczęściej wiąże się z cukrzycą, intensywnym spożyciem alkoholu, skrajnym wychłodzeniem lub głodzeniem. Gdy ktoś umiera nagle, nawet przy współczesnych badaniach laboratoryjnych może być zaskakująco trudno określić, który z tych procesów faktycznie doprowadził do śmierci. Badanie to pokazuje, jak wzorce drobnych cząsteczek we krwi, połączone z nowoczesnymi technikami komputerowymi, mogą pomóc odtworzyć ostatni stan metaboliczny osoby i wyjaśnić, dlaczego zmarła.

Poszukiwanie ukrytych wskazówek w chemii krwi

Zamiast mierzyć tylko kilka dobrze znanych substancji, takich jak glukoza czy pojedyncze ciała ketonowe, badacze zastosowali szerokie podejście zwane metabolomiką. Technika ta rejestruje jednocześnie tysiące małych cząsteczek w próbce krwi, oferując szczegółowy obraz chemii organizmu w chwili śmierci. W Szwecji krew z sekcji zwłok jest już analizowana za pomocą wysokorozdzielczej spektrometrii mas w celu wykrywania narkotyków. Zespół zauważył, że te same pomiary zawierają też bogatą informację o endogennych cząsteczkach organizmu i wykorzystał to istniejące źródło do analizy ponad 1 700 rzeczywistych spraw sądowo-lekarskich zebranych w latach 2017–2020.

Budowanie „detektora wzorców” dla śmiertelnej kwasicy

Naukowcy skoncentrowali się na czterech głównych grupach zgonów: alkoholowa ketoacydoza, cukrzycowa ketoacydoza, śmiertelne wychłodzenie i powieszenie. Przypadki powieszeń pełniły rolę kontroli, ponieważ przyczyna zgonu jest zwykle jasna, a proces relatywnie krótki, co daje mniej czasu na przesunięcia w metabolizmie. Z każdej próbki krwi udarowej pobranej z żyły udowej zespół wyodrębnił 4 484 odrębne sygnały chemiczne. Testy statystyczne wykazały, że ponad 1 400 z nich różniło się między zgonami związanymi z ketoacydozą a grupą kontrolną, lecz proste metody wizualizacji nie potrafiły jasno oddzielić grup — to sugerowało potrzebę użycia bardziej zaawansowanych narzędzi rozpoznawania wzorców.

Nauczanie maszyn rozróżniania przyczyn zgonu

Aby stawić czoła tej złożoności, badacze wytrenowali trzy typy modeli uczenia maszynowego — lasy losowe, formę regresji z karą oraz maszyny wektorów nośnych. Najpierw poproszono modele o odpowiedź na proste pytanie: czy ta osoba zmarła z ketoacydozą, czy nie? Po nauce na 70% przypadków, modele przetestowano na pozostałych 30%. Wszystkie trzy poprawnie zidentyfikowały ketoacydozę w około 90% przypadków i prawidłowo rozpoznawały kontrole w około 98%, co pokazuje, że ogólny „odcisk metaboliczny” ketoacydozy jest odrębny i wykrywalny nawet po śmierci.

Rozróżnianie różnych dróg prowadzących do tego samego śmiertelnego stanu

Zespół postawił następnie modelom trudniejsze zadanie: odróżnienie alkoholowej ketoacydozy, cukrzycowej ketoacydozy, wychłodzenia i kontroli. Systemy nadal dobrze sobie radziły, osiągając zbalansowane dokładności powyżej 80%. Szczególnie skuteczne były w rozdzielaniu alkoholowej i cukrzycowej ketoacydozy, podczas gdy przypadki wychłodzenia bywały czasami mylone z kontrolami, co odzwierciedla nakładającą się chemię między tymi grupami. Aby sprawdzić, czy modele rzeczywiście wykrywają ketoacydozę, a nie po prostu obecność cukrzycy czy alkoholu, badacze przetestowali je na nowych zestawach przypadków, gdzie cukrzyca lub alkohol występowały, ale główną przyczyną zgonu było coś innego. Wiele z tych przypadków zostało poprawnie sklasyfikowanych jako kontrole, co potwierdza tezę, że modele kluczują na końcowy kryzys metaboliczny, a nie jedynie na choroby współistniejące.

Co cząsteczki mówią o ostatnich godzinach ciała

Analizując cechy, na których modele polegały najbardziej, badacze zidentyfikowali kilka nazwanych cząsteczek powiązanych z konkretnymi stanami. Na przykład sygnały związane z glukozaminą były wyższe przy zgonach związanych z cukrzycą, co jest zgodne z znanymi ścieżkami związanymi z długotrwale podwyższonym poziomem cukru we krwi. Kortyzol, hormon stresu, był podwyższony we wszystkich podtypach ketoacydozy w porównaniu z kontrolami, co wspiera jego rolę jako markera ciężkiego obciążenia fizjologicznego. Inne cząsteczki związane z rozpadem witaminy B3 i chemią pigmentów wydawały się szczególnie zmienione w wychłodzeniu, co potwierdza wcześniejsze badania i sugeruje, jak stres zimnem przekształca metabolizm w pobliżu śmierci.

Więcej obiektywizmu w trudnych decyzjach sądowo-lekarskich

Mówiąc prosto, badanie to pokazuje, że komputer wytrenowany na szerokich profilach chemicznych z krwi pośmiertnej może zarówno wykryć, że ktoś zmarł w stanie ketoacydozy, jak i często określić, czy czynnikiem dominującym była cukrzyca, alkohol czy ekspozycja na zimno. Modele nie są idealne i zależą od starannego projektu badania oraz wysokiej jakości danych, ale oferują potężną drugą opinię, gdy tradycyjne oznaki i kilka testów laboratoryjnych są niejednoznaczne. Po dalszej walidacji taka analiza wzorców metabolomicznych mogłaby pomóc lekarzom sądowym udzielać jaśniejszych odpowiedzi rodzinom i sądom na pytanie, jak i dlaczego dana osoba zmarła.

Cytowanie: 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

Słowa kluczowe: ketoacydoza, medycyna sądowa, metabolomika, uczenie maszynowe, przyczyna zgonu