通过使用机器学习算法在自杀性刑中通过甲状腺和椎脊柱骨折模式评估结在绳索位置:对旧困境的新见解

科学领域:

• 法医病理学 法医病理学
• 生物机械工程 生物机械工程
• 机器学习 机器学习

背景情况:

• 自杀死是全球常见的死亡原因,通常涉及部损伤,如状骨和椎骨折.
• 重建悬挂事件的具体情况,例如结位置,由于缺乏明显的伤害模式,仍然具有挑战性.
• 机器学习以前还没有被用来对自杀性刑中结的位置进行分类.

研究的目的:

• 开发和评估机器学习模型,用于对自杀性刑中结的位置进行分类.
• 区分典型的 (后部) 和非典型的 (前部/侧面) 挂物.
• 调查与悬挂有关的骨折的生物力学及其与结的位置的关联.

主要方法:

• 对1235例自杀性死尸检案的回顾性分析.
• 机器学习模型的开发 (多层感知器,k-最近邻居) 使用骨折数据 (大状骨角,上甲状腺软骨角,椎) 和受试者的年龄.
• 使用遗传算法优化模型参数.

主要成果:

• 机器学习模型在分类悬挂类型方面显示出越来越高的准确性.
• 在区分左侧和右侧悬挂之间表现出色 (准确率为91.8%和90.6%).
• 鉴定了结位置与两侧/两侧骨折之间的关联,以及非典型悬挂中特定骨折的更高概率.

结论:

• 机器学习模型可以有效地分类悬挂结的位置,帮助法医调查.
• 这些发现为刑期间部骨折的生物力学提供了洞察力.
• 这项研究建立了一种新的方法,用于使用ML分析伤害模式重建死事件.