Detecting and Subtyping Ketoacidosis from Metabolomic Patterns in Forensic Casework

Dit onderzoek toont aan dat het combineren van postmortale metabolomics met machine learning op basis van Zweedse forensische data een nauwkeurige methode biedt om ketoacidose te detecteren en te subtyperen in forensische casuïstiek.

De kern

Het Metabole DNA van de Dood: Hoe Computers de Oorzaak van Dood Ontmaskeren

Stel je voor dat je een detective bent die een moordzaak moet oplossen. Maar in plaats van vingerafdrukken of getuigen, heb je alleen een heel complex, wazig spoor van chemische resten achtergelaten in het lichaam van het slachtoffer. Dat is wat forensisch onderzoekers vaak tegenkomen bij mensen die zijn overleden aan ketoacidose.

Ketoacidose is een gevaarlijke toestand waarbij het lichaam te veel zuren aanmaakt. Het kan gebeuren door diabetes, door zware alcoholgebruik, door uitputting (honger) of door bevriezing. Het probleem? Voor de forensisch patholoog is het soms heel lastig om te zeggen: "Dit slachtoffer is gestorven door te veel alcohol" versus "Dit slachtoffer is gestorven door suikerziekte." Ze zien allebei dezelfde zuren in het bloed, net als twee verschillende dieven die precies dezelfde handschoenen dragen.

De Oplossing: Een Digitale Smaakpapil

In dit onderzoek hebben de wetenschappers uit Zweden een slimme nieuwe aanpak bedacht. Ze hebben niet gekeken naar één of twee chemicaliën, maar naar duizenden tegelijk. Ze noemen dit metabolomics.

Stel je voor dat het bloed van een overleden persoon een enorme, rommelige bibliotheek is met boeken. Traditioneel kijken onderzoekers naar slechts één boekje om te zien wat er aan de hand is. Deze nieuwe methode kijkt naar alle boeken tegelijk en laat een supercomputer (machine learning) de patronen zoeken die wij mensen niet kunnen zien.

Hoe werkt het? (De Analogie van de Smaakpapil)

1. Het Verzamelen van Proeven: De onderzoekers hebben duizenden bloedstalen verzameld van echte forensische zaken. Ze hadden groepen met mensen die stierven aan alcohol-ketoacidose, suikerziekte-ketoacidose, bevriezing, en een controlegroep (mensen die door ophanging stierven, omdat dat proces zo snel gaat dat het lichaam nauwelijks tijd heeft om chemisch te veranderen).
2. De "Smaakpapil" van de Dood: Ze gebruikten een heel gevoelige machine (massaspectrometrie) om de "smaak" van het bloed te analyseren. Het is alsof je een kok bent die duizenden ingrediënten in een soep proeft.
3. De Slimme Computer: Ze trainden drie soorten slimme computers (machine learning-modellen) om deze smaken te herkennen.
   • De Vraag 1: "Is dit iemand die aan ketoacidose is gestorven, of niet?" (Een ja/nee-vraag).
   • De Vraag 2: "Als het ketoacidose is, wat was de oorzaak? Alcohol, suikerziekte of kou?" (Een meerkeuzevraag).

Wat vonden ze?

De resultaten waren verbazingwekkend goed, alsof de computer een supergevoelige neus had:

• De Detectie: De computers konden met meer dan 90% zekerheid zeggen of iemand aan ketoacidose was gestorven, zelfs als ze het nooit eerder hadden gezien.
• De Subtypen: Ze konden ook met meer dan 80% zekerheid het verschil maken tussen de verschillende soorten (bijvoorbeeld: alcohol vs. suikerziekte).
• De Test: Ze gaven de computer zelfs een nieuwe groep te testen: mensen die waren gestorven van honger. De computer zei: "Ah, dit lijkt sterk op de ketoacidose-groep!" En dat klopte, want honger leidt ook tot deze zure toestand.

De "Geheime Ingrediënten"

De onderzoekers keken ook naar welke stoffen de computer het belangrijkst vond. Het bleek dat stoffen zoals cortisol (een stresshormoon) en bepaalde afbraakproducten van vitamines cruciale aanwijzingen waren. Het was alsof de computer ontdekte dat de "recept" van de dood bij bevriezing net iets anders is dan bij alcoholmisbruik, zelfs als het eindresultaat (de zure bloed) hetzelfde lijkt.

Waarom is dit belangrijk?

Voor een forensisch patholoog is het soms een nachtmerrie om een doodsoorzaak te bepalen als de lijken al een tijdje hebben gelegen. Dit onderzoek toont aan dat we in de toekomst een digitale assistent kunnen gebruiken die, gebaseerd op de chemische "vingerafdruk" in het bloed, met grote zekerheid kan zeggen: "Dit slachtoffer is gestorven door X, niet door Y."

Het is alsof we van het zoeken naar een naald in een hooiberg zijn gegaan naar het hebben van een magische metaaldetector die precies aangeeft waar de naald zit en wat voor naald het is.

Kortom: Door slimme computers te koppelen aan de chemische analyse van bloed, kunnen we in de toekomst veel nauwkeuriger en sneller bepalen hoe en waarom mensen zijn overleden aan deze specifieke, verwarrende ziekte.

Technische samenvatting

Titel: Detectie en Subtypering van Ketoacidose op Basis van Metabolomische Patronen in Forensisch Casuïstiek

1. Het Probleem

Het vaststellen van de doodsoorzaak in forensisch onderzoek is complex, vooral bij aandoeningen die vergelijkbare pathofysiologische mechanismen delen. Ketoacidose is een metabole toestand waarbij zuren (ketonlichamen) zich ophopen in het bloed, wat leidt tot metabole acidose en uiteindelijk de dood. Dit kan veroorzaakt worden door:

• Diabetes (Diabetische Ketoacidose, DKA)
• Alcoholisme (Alcoholische Ketoacidose, AKA)
• Hypothermie
• Honger (Starvation)

In de huidige forensische praktijk worden gerichte metingen (zoals glucose en ketonlichamen) vaak uitgevoerd in het glasvocht (vitreous humour) vanwege de stabiliteit. Deze gerichte benadering vangt echter niet de bredere metabolische context op die nodig is om tussen deze nauw verwante oorzaken te onderscheiden. Er is behoefte aan een objectieve, high-throughput methode om de metabole staat op het moment van overlijden comprehensiever te analyseren.

2. Methodologie

De auteurs hebben een unieke Zweedse cohort van echte forensische gevallen samengesteld en geanalyseerd met behulp van postmortale metabolomics gekoppeld aan supervised machine learning (ML).

• Dataverzameling:

  • Bron: Femoraal bloed (dijbeenbloed) van 1.788 autopsiegevallen (2017–2020) in Zweden.
  • Analyse: High-resolution massaspectrometrie (UHPLC-QTOF) die routinematig wordt gebruikt voor toxicologische screening, maar ook endogene metabolieten vastlegt.
  • Groepen voor modelontwikkeling:
    • AKA (n=109)
    • DKA (n=220)
    • Hypothermie (n=140)
    • Ketoacidose-groep (totaal): 469 gevallen.
    • Controles: Hangende gevallen (n=1229), gekozen omdat de doodsoorzaak zeker is en de fysiologische veranderingen minimaal verondersteld worden door de snelle dood.
  • Onafhankelijke validatiecohorten: Honger (n=21), alcoholcontroles (n=29), en diabetische controles (n=40).

• Data Preprocessing:

  • Uit 4.484 metabolische features werden significante verschillen geïdentificeerd na correctie voor covariaten (postmortale interval, BMI, leeftijd, geslacht).
  • Er werden 1.416 significante features gevonden tussen ketoacidose en controles; na correctie bleven er 133 verrijkte en 37 verminderde features over.

• Machine Learning Modellen:

  • Drie modellen werden getraind en getest: Random Forest (RF), LASSO (Least Absolute Shrinkage and Selection Operator), en Support Vector Machine (SVM) met een lineaire kernel.
  • Opdracht 1 (Binair): Onderscheid tussen "Ketoacidose" (AKA+DKA+Hypothermie) vs. "Controles".
  • Opdracht 2 (Multinomiaal): Onderscheid tussen de vier subgroepen (AKA, DKA, Hypothermie, Controles).
  • Validatie: Modellen werden getest op onafhankelijke data (zonder hertraining) om generaliseerbaarheid te beoordelen.

3. Belangrijkste Resultaten

• Binair Classificatie (Detectie):

  • Alle drie de modellen presteerden uitstekend in het onderscheiden van ketoacidose van controles.
  • Nauwkeurigheid: >90% (Balanced Accuracy).
  • True Positive Rate: 80,9% tot 89,4%.
  • True Negative Rate: Ongeveer 98%.
  • Validatie: Van de 21 onafhankelijke hongergevallen werden 81% (RF) tot 90% (SVM) correct geclassificeerd als ketoacidose-gerelateerd, wat aantoont dat het model het metabole signaal van honger herkent.

• Multinomiale Classificatie (Subtypering):

  • De modellen konden de subtypes onderscheiden met een Balanced Accuracy van 0,83 tot 0,88.
  • Recall: DKA werd zeer goed herkend (84,8%), terwijl AKA iets minder goed werd voorspeld (57,6%).
  • Uitdagingen: Hypothermie-gevallen werden vaak verward met controles (hangende gevallen), waarschijnlijk omdat hun metabolische profiel (lagere ketonlevels dan bij AKA/DKA) dichter bij de controlegroep ligt, hoewel ze wel hoger liggen dan bij gezonde controles.

• Feature Importance (Belangrijkste Biomerkers):

  • Clustering van de top 25 features toonde aan dat het model onderscheid maakt op basis van de doodsoorzaak en niet alleen op onderliggende aandoeningen.
  • Cortisol: Belangrijk voor subtypering en verhoogd bij alle ketoacidose-types.
  • Glucosamine: Verhoogd bij DKA en diabetische controles (gerelateerd aan insulineresistentie).
  • 2PY/4PY en Indolequinonen: Verhoogd bij hypothermie (gerelateerd aan vitamine B3-metabolisme en thermogenese).

• Validatie van Controles:

  • Personen met alcohol of diabetes als secundaire doodsoorzaak (maar niet als hoofdoorzaak) werden door het RF-model grotendeels correct ingedeeld als controles, wat aantoont dat het model specifiek is voor de acute ketoacidose-toestand en niet alleen voor de chronische ziekte.

4. Bijdragen en Significatie

• Innovatie: Dit is het eerste onderzoek dat supereervised machine learning combineert met postmortale metabolomics in echte forensische casuïstiek om ketoacidose te detecteren en te subtyperen.
• Praktische Toepassing: De studie bewijst dat bestaande forensische toxicologische data (UHPLC-QTOF) kan worden hergebruikt voor metabolomische analyses, wat een kostenefficiënte en objectieve tool biedt voor pathologen.
• Objectiviteit: De methode biedt een kwantitatieve, datagedreven aanpak om de doodsoorzaak te bepalen in complexe gevallen waar traditionele biomarkers (zoals alleen ketonmeting) niet voldoende onderscheidend vermogen bieden.
• Robuustheid: Het succesvolle toepassen op onafhankelijke cohorten (zoals honger) bevestigt dat de modellen robuust zijn en niet alleen overfitten op de trainingsdata.

5. Beperkingen

• Annotatie: Slechts een klein deel (201 van 4.484) van de metabolische features kon worden geannoteerd tot bekende metabolieten, wat mechanistische interpretaties beperkt.
• Ground Truth: De labels zijn gebaseerd op de diagnose van de forensisch patholoog, wat niet altijd 100% overeenkomt met de biologische realiteit.
• Generaliseerbaarheid: De data komt uit één nationaal systeem (Zweden) met een specifieke analytische pipeline; validatie in andere jurisdicties is noodzakelijk.
• Covariaten: Het model gebruikte puur metabolomische data; het integreren van covariaten (leeftijd, geslacht) in het model zelf (in plaats van alleen correctie) zou de prestaties mogelijk kunnen verbeteren.

Conclusie:
De studie demonstreert dat de integratie van machine learning met postmortale metabolomics een krachtige, nauwkeurige methode is om ketoacidose-gerelateerde sterfgevallen te detecteren en te subtyperen. Dit biedt een waardevolle toevoeging aan de forensische toolkit voor het vaststellen van de doodsoorzaak in complexe gevallen.