Människans metabolom och maskininlärning förbättrar uppskattningar av tiden sedan dödsfallet

Varför tidpunkten för dödsfallet spelar roll

Att veta när någon avled är en central gåta i många brotts- och oförklarliga dödsutredningar. En precis uppskattning av tiden sedan döden, kallad postmortalt intervall, kan bekräfta eller motbevisa alibin, begränsa kretsen av misstänkta och hjälpa till att rekonstruera vad som hände under en persons sista timmar och dagar. Dagens metoder, som kroppstemperatur eller kemiska mätningar i ögat, tappar dock snabbt i tillförlitlighet efter den första dagen eller två. Denna studie undersöker om osynliga kemiska spår i blod, kombinerade med modern artificiell intelligens, kan förlänga det användbara fönstret — från ett par dagar till nästan två månader efter döden.

Begränsningar i dagens rättsmedicinska ledtrådar

Rättsmedicinska experter förlitar sig traditionellt på synliga och fysiska tecken såsom hudförändringar, kroppens stelhet eller avkylning av liket, samt på kaliumnivåer i ögats klara vätska. Dessa ledtrådar fungerar hyfsat bra tidigt men är subjektiva, starkt påverkade av omgivningen och slutar vanligtvis vara tillförlitliga efter en till tre dagar. För längre perioder måste utredare vända sig till mycket grövre indikatorer som insektaktivitet, nedbrytningsstadium eller analys av skelettrester. Det finns ett tydligt behov av kvantitativa metoder som kan överbrygga klyftan mellan tidiga, temperaturbaserade uppskattningar och mycket sena, nedbrytningsbaserade angreppssätt.

Kroppens kemiska spår som en dold klocka

Efter döden förändras kroppens små molekyler — sammantaget kallade metabolomet — på systematiska sätt när cellerna förlorar energi, membran bryts ner och proteiner sönderdelas. Forskarna utnyttjade detta genom att återanvända befintliga toxikologidata: högupplösta mätningar av tusentals kemiska signaler från femoralblod som rutinmässigt tas vid obduktioner. Totalt analyserade de 4 876 verkliga rättsmedicinska fall med kända tider mellan död och obduktion, mestadels mellan en och tretton dagar men med förlängningar upp till 67 dagar. Istället för att försöka hitta en enda ”magisk” markör frågade de om hela mönstret av många metaboliter tillsammans kunde fungera som en kemisk klocka.

Att lära en AI att läsa den kemiska klockan

Gruppen tränade ett framåtriktat neuralt nätverk, en typ av maskininlärningsmodell, för att ta in cirka 2 300 kemiska signaler och ge en uppskattning av antalet dagar sedan döden. Efter att ha optimerat modellens inställningar och använt delar av fallen för träning och delar för testning förutsade systemet det postmortala intervallet med ett genomsnittligt fel på cirka 1,5 dagar och ett medianfel strax över en dag i tidigare osedda fall. Denna prestanda var bättre än sex alternativa metoder, inklusive flera standardstatistiska och maskininlärningsmetoder. Prediktionerna var mest exakta för dödsfall i mitten av tidsintervallet och mindre precisa för mycket korta eller mycket långa intervall, men det övergripande felet var liknande den osäkerhet som redan fanns i de registrerade dödstiderna själva.

Vad modellen avslöjar om sönderfallet inne i kroppen

Eftersom neurala nätverk ofta ses som svarta lådor undersökte författarna närmare vilka kemiska förändringar modellen använde. Genom att följa hur viktiga metaboliter tenderade att stiga eller falla med tiden upptäckte de tre breda mönster. Vissa molekyler, särskilt vissa lipider och acylkarnitiner, minskade stadigt, vilket stämmer överens med nedbrytning av cellmembran och minskad mitokondrieenergi. Andra, framför allt aminosyror och korta proteinnedbrytningsfragment, ökade, i linje med att proteiner klyvs när vävnader sönderdelas. En tredje grupp visade mer komplexa kurvor över tiden. Dessa trender speglar tidigare studier på djur och människor och pekar på igenkännbara biologiska processer — lipidnedbrytning, mitokondriell svikt och proteinnedbrytning — som successivt utvecklas efter döden.

Från omfattande studier till praktiska verktyg

För att testa om deras metod kunde fungera utanför ett enda laboratorium tillämpade forskarna det tränade neurala nätverket på 512 nya fall mätta ett annat år på ett annat masspektrometriinstrument. Även utan omträning förblev modellens fel runt 1,8 dagar, vilket tyder på att den kemiska signalen är robust nog att klara skillnader i utrustning och tidpunkt. De visade också att enklare modeller tränade på bara några hundra fall fortfarande uppnådde användbar noggrannhet, vilket antyder att mindre rättsmedicinska institutioner skulle kunna bygga sina egna prediktionsverktyg. Trots att miljöfaktorer och dödsorsak också kan forma metabolomet, och att mer balanserade data vid mycket korta och långa intervall behövs, visar resultaten att rutinmässiga toxikologiska data kan omvandlas till ett kraftfullt hjälpmedel för att uppskatta tiden sedan döden.

Vad detta betyder för verkliga utredningar

För en icke-specialist är huvudpoängen att kroppens egen kemi efter döden verkar fungera som en långsam klocka, och att modern AI kan läsa denna klocka med ungefär ett dygns precision över mer än en vecka. Det är inte en perfekt tidtagarur och ersätter inte rättsmedicinska experters bedömning eller annan bevisning. Men i takt med att dessa metoder förfinas och valideras i fler miljöer kan de ge utredare en mer objektiv, datadriven uppskattning av tiden sedan döden, särskilt i det kritiska fönster där dagens standardmetoder börjar svikta.

Citering: 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

Nyckelord: forensisk vetenskap, doodstidpunkt, metabolomik, maskininlärning, postmortalt intervall