Vid rättsmedicinska obduktioner är det viktigt att kunna uppskatta tiden som gått sedan dödsfallet, så kallat postmortem-intervall (PMI). Traditionella metoder för att beräkna PMI bygger främst på polisens information samt på fysiska parametrar som kroppstemperatur, stelhet och förruttnelsegrad. Dessa metoder har dock ofta begränsad precision, särskilt efter cirka två dagar, vilket gör det svårt att fastställa en exakt tidpunkt för dödsfallet. Den osäkerhet som uppstår kan försvåra brottsutredningar där en exakt dödstid är avgörande för att kunna koppla personer till dödshändelsen.

I mitt examensarbete från 2024 undersökte jag om metabolomik – analysen av små molekyler i biologiska system – kunde bidra till att förbättra uppskattningarna av PMI. Metabolomik ger ett ”fingeravtryck” av kroppens biokemiska tillstånd och påverkas både av interna faktorer och omgivningen. Genom att analysera mönster av metabolitförändringar i blodprover från rättsmedicinska obduktioner ville jag utforska möjligheten att utveckla en modell för mer exakta uppskattningar av PMI.

Data till projektet samlades in av Rättsmedicinalverket (RMV) från blodprov som tagits vid obduktioner i Sverige. Datamaterialet omfattade 4 866 prover och 2 304 olika metaboliter. För att utveckla en modell som kunde förutsäga PMI använde jag maskininlärningsmodellerna Random Forest (RF) och Artificial Neural Network (ANN). Resultaten visade att maskininlärning har stor potential för att förbättra PMI-beräkningar och ger bättre precision än de metoder som används idag inom rättsmedicin. ANN-modellen gav de bästa resultaten, med ett R²-värde på 0,68 och ett medelfel (MAE) på 1,51 dagar över hela intervallet.

R²-värdet är ett mått på modellens förklaringsgrad, där ett värde på 1 innebär att modellen helt förklarar variationen i data och ett värde på 0 innebär att modellen inte förklarar någon variation. MAE mäter hur stort fel modellen i genomsnitt gör i sina prediktioner – ju lägre MAE, desto högre precision.

Sammanfattningsvis visar detta projekt att maskininlärning kan spela en betydande roll för att förbättra PMI-uppskattningar inom rättsmedicin. Resultaten tyder på att maskininlärningsmodeller kan överträffa nuvarande metoder och minska osäkerheter vid fastställande av dödstid, vilket skulle kunna vara till stor hjälp för rättsmedicinska utredningar och brottsutredningar.