Upptäcka och underordna ketoacidos från metabolomiska mönster i rättsmedicinska ärenden

Varför detta spelar roll bortom obduktionssalen

Ketoacidos är ett livshotande tillstånd där blodet blir farligt surt, ofta kopplat till diabetes, kraftig alkoholkonsumtion, extrem kyla eller svält. När någon dör plötsligt kan det vara förvånansvärt svårt för rättsmedicinare att avgöra vilken av dessa processer som faktiskt orsakat döden, även med dagens laboratorietester. Denna studie visar hur mönster av små molekyler i blodet, kombinerat med moderna datorverktyg, kan hjälpa till att återskapa en persons sista metaboliska tillstånd och tydligare förklara varför de dog.

På jakt efter dolda ledtrådar i blodkemin

I stället för att bara mäta ett fåtal välkända substanser som glukos eller enskilda ketonkroppar använde forskarna en bred metod som kallas metabolomik. Denna teknik fångar tusentals små molekyler i ett blodprov samtidigt och ger en detaljerad ögonblicksbild av kroppens kemi vid dödsögonblicket. I Sverige körs obduktionsblod redan genom högupplöst masspektrometri för att screena efter läkemedel. Forskarna insåg att samma mätningar också innehåller rik information om kroppens egna molekyler, och de använde denna befintliga resurs för att studera över 1 700 verkliga rättsmedicinska fall insamlade mellan 2017 och 2020.

Bygga en ”mönsterdetektor” för dödlig acidos

Forskarna fokuserade på fyra huvudgrupper av dödsfall: alkoholrelaterad ketoacidos, diabetisk ketoacidos, dödlig hypotermi och hängning. Hängningsfallen användes som kontroller eftersom dödsorsaken vanligtvis är klar och processen relativt snabb, med mindre tid för metabolismen att förändras. Från varje persons femorala blodprov extraherade teamet 4 484 distinkta kemiska signaler. Statistiska tester visade att mer än 1 400 av dessa skilde sig mellan dödsfall kopplade till ketoacidos och kontrollgruppen, men enkla visualiseringsmetoder kunde inte tydligt separera grupperna — vilket antyder att mer avancerade mönsterigenkänningstekniker krävdes.

Lära maskiner att sortera dödsorsaker

För att hantera denna komplexitet tränade forskarna tre typer av maskininlärningsmodeller — random forests, en form av straffad regression och supportvektormaskiner. Först bad de modellerna att svara på en enkel fråga: dog den här personen i ketoacidos eller inte? Efter att ha lärt sig från 70 % av fallen testades modellerna på de återstående 30 %. Alla tre identifierade korrekt ketoacidos i omkring 90 % av fallen och kände igen kontroller korrekt i ungefär 98 %, vilket visar att det övergripande metaboliska fingeravtrycket för ketoacidos är distinkt och detekterbart även efter döden.

Parta olika vägar till samma dödliga tillstånd

Teamet utmanade sedan modellerna med en svårare uppgift: att skilja mellan alkoholrelaterad ketoacidos, diabetisk ketoacidos, hypotermi och kontroller. Här presterade systemen fortfarande starkt, med balanserade noggrannheter över 80 %. De var särskilt bra på att separera alkoholrelaterad och diabetisk ketoacidos, medan hypotermifallen ibland misstagits för kontroller, vilket återspeglar överlappande kemi mellan dessa grupper. För att se om modellerna verkligen fångade ketoacidos snarare än bara diabetes eller alkoholanvändning testade forskarna dem på nya uppsättningar fall där diabetes eller alkohol fanns närvarande men huvudorsaken till döden var något annat. Många av dessa klassificerades korrekt som kontroller, vilket stödjer idén att modellerna identifierade den slutliga metaboliska krisen, inte bara bakomliggande sjukdom.

Vad molekylerna avslöjar om kroppens sista timmar

Genom att undersöka vilka funktioner modellerna förlitade sig mest på identifierade forskarna flera namngivna molekyler kopplade till specifika tillstånd. Till exempel var glukosaminrelaterade signaler högre i dödsfall som involverade diabetes, i linje med kända vägar kopplade till långvarigt förhöjt blodsocker. Kortisol, ett stresshormon, var förhöjt i alla ketoacidos-undergrupper jämfört med kontroller, vilket stöder dess roll som en markör för allvarlig fysiologisk påfrestning. Andra molekyler kopplade till nedbrytning av vitamin B3 och pigmentkemi verkade särskilt förändrade vid hypotermi, vilket ekar tidigare studier och antyder hur köldstress omformar metabolismen nära döden.

Mer objektivitet i svåra rättsmedicinska beslut

Enkelt uttryckt visar denna studie att en dator tränad på breda kemiska profiler från postmortalt blod både kan upptäcka när någon dog i ett tillstånd av ketoacidos och ofta fastställa om diabetes, alkohol eller köldexponering var den drivande faktorn. Modellerna är inte perfekta och de är beroende av noggrann studiedesign och högkvalitativa data, men de erbjuder ett kraftfullt andra utlåtande när traditionella fynd och ett fåtal labbtester är tvetydiga. Med vidare validering skulle sådan metabolomisk mönsteranalys kunna hjälpa rättsmedicinare att ge tydligare svar till anhöriga och domstolar om hur och varför en person dog.

Citering: 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

Nyckelord: ketoacidos, rättsmedicinsk patologi, metabolomik, maskininlärning, dödsorsak