Detectando e submetipando cetoacidose a partir de padrões metabolômicos em perícias forenses

Por que isso importa além da sala de autópsia

A cetoacidose é uma condição potencialmente fatal em que o sangue se torna perigosamente ácido, frequentemente associada a diabetes, uso intenso de álcool, frio extremo ou inanição. Quando alguém morre subitamente, pode ser surpreendentemente difícil para os médicos legistas determinar qual desses processos foi realmente responsável, mesmo com os exames laboratoriais atuais. Este estudo mostra como padrões de pequenas moléculas no sangue, combinados com técnicas computacionais modernas, podem ajudar a reconstruir o estado metabólico final de uma pessoa e explicar com mais clareza por que ela morreu.

Procurando pistas ocultas na química sanguínea

Em vez de medir apenas algumas substâncias bem conhecidas, como glicose ou corpos cetônicos individuais, os pesquisadores usaram uma abordagem ampla chamada metabolômica. Essa técnica captura milhares de pequenas moléculas em uma amostra de sangue de uma só vez, oferecendo um retrato detalhado da química do corpo no momento da morte. Na Suécia, o sangue de autópsias já passa por espectrometria de massas de alta resolução para triagem de drogas. A equipe percebeu que as mesmas medições também contêm informações ricas sobre as moléculas endógenas do corpo e usou esse recurso existente para estudar mais de 1.700 casos forenses reais coletados entre 2017 e 2020.

Construindo um “detector de padrões” para acidose letal

Os cientistas focaram em quatro grupos principais de mortes: cetoacidose alcoólica, cetoacidose diabética, hipotermia fatal e enforcamento. Os casos de enforcamento serviram como controles porque a causa da morte costuma ser clara e o processo é relativamente rápido, com menos tempo para que o metabolismo mude. Da amostra de sangue femoral de cada pessoa, a equipe extraiu 4.484 sinais químicos distintos. Testes estatísticos mostraram que mais de 1.400 desses sinais eram diferentes entre mortes associadas à cetoacidose e o grupo controle, mas métodos simples de visualização não conseguiram separar claramente os grupos — sugerindo que eram necessárias ferramentas de reconhecimento de padrões mais avançadas.

Ensinando máquinas a classificar causas de morte

Para enfrentar essa complexidade, os pesquisadores treinaram três tipos de modelos de aprendizado de máquina — florestas aleatórias (random forests), uma forma de regressão penalizada e máquinas de vetor de suporte. Primeiro, eles pediram aos modelos que respondessem a uma pergunta simples: esta pessoa morreu com cetoacidose ou não? Após aprender com 70% dos casos, os modelos foram testados nos 30% restantes. Todos os três identificaram corretamente a cetoacidose em cerca de 90% dos casos e reconheceram corretamente os controles em aproximadamente 98%, mostrando que a impressão metabólica geral da cetoacidose é distinta e detectável mesmo após a morte.

Diferenciando caminhos diferentes para o mesmo estado letal

A equipe então desafiou os modelos com uma tarefa mais difícil: distinguir cetoacidose alcoólica, cetoacidose diabética, hipotermia e controles. Aqui, os sistemas ainda tiveram um bom desempenho, com acurácias balanceadas acima de 80%. Foram especialmente eficazes em separar cetoacidose alcoólica e diabética, enquanto casos de hipotermia às vezes foram confundidos com controles, refletindo uma sobreposição química entre esses grupos. Para verificar se os modelos realmente captavam a cetoacidose em si, e não apenas diabetes ou consumo de álcool, os pesquisadores os testaram em novos conjuntos de casos nos quais diabetes ou álcool estavam presentes, mas a causa principal da morte era outra. Muitos desses casos foram classificados corretamente como controles, apoiando a ideia de que os modelos identificavam a crise metabólica final, e não apenas doenças de base.

O que as moléculas revelam sobre as últimas horas do corpo

Ao examinar quais características os modelos mais utilizaram, os pesquisadores identificaram várias moléculas nomeadas ligadas a condições específicas. Por exemplo, sinais relacionados à glucosamina foram mais elevados em mortes envolvendo diabetes, consistente com vias conhecidas associadas ao histórico de hiperglicemia. O cortisol, um hormônio do estresse, estava elevado em todos os subtipos de cetoacidose em comparação aos controles, corroborando seu papel como marcador de esforço fisiológico severo. Outras moléculas associadas à degradação da vitamina B3 e à química de pigmentos pareceram especialmente alteradas na hipotermia, ecoando estudos anteriores e sugerindo como o estresse por frio remodela o metabolismo próximo da morte.

Trazendo mais objetividade a decisões forenses difíceis

Em termos simples, este estudo mostra que um computador treinado em perfis químicos amplos de sangue postmortem pode tanto detectar quando alguém morreu em estado de cetoacidose quanto, frequentemente, determinar se diabetes, álcool ou exposição ao frio foi o fator determinante. Os modelos não são perfeitos e dependem de desenho de estudo cuidadoso e dados de alta qualidade, mas oferecem uma opinião secundária poderosa quando sinais tradicionais e alguns exames laboratoriais são ambíguos. Com validação adicional, essa análise de padrões metabolômicos poderia ajudar legistas a fornecer respostas mais claras a famílias e tribunais sobre como e por que uma pessoa morreu.

Citação: 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

Palavras-chave: cetoacidose, patologia forense, metabolômica, aprendizado de máquina, causa da morte