根据多器官代谢学和机器学习算法,根据不同的环境温度估计死后间隔

科学领域:

• 法医科学 法医科学 法医科学
• 代谢学 代谢学 代谢学
• 机器学习 机器学习

背景情况:

• 准确的死后间隔估计在法医调查中至关重要.
• 现有的死后间隔估计方法有局限性.
• 代谢学与机器学习相结合,为更精确的估计提供了一个有希望的方法.

研究的目的:

• 调查多器官代谢学对死后间隔估计的有用性.
• 开发和验证机器学习模型,用于在不同温度下进行死后间隔估计.
• 建立适用于特定温度范围的死后间隔估计的通用模型.

主要方法:

• 气色谱-质谱法 (GC-MS) 用于分析大鼠肝脏,脏和肌肉组织中的代谢物.
• 多变量统计分析确定了与死后间隔相关的差异性代谢物.
• 使用单器官和多器官代谢学数据开发了支持向量回归模型,用于死后间隔估计.

主要成果:

• 与死后间隔相关的不同代谢物在肝脏 (24),脏 (18) 和肌肉 (19) 组织中被确定.
• 与单个器官模型相比,多器官代谢模型在死后间隔估计中表现出更高的准确性.
• 一个综合多器官数据和温度变量综合的综合模型准确估计了5-35°C之间的死后间隔.

结论:

• 多器官代谢学与机器学习相结合,为死后间隔估计提供了强大而准确的方法.
• 开发的模型为法医应用提供了显著的进步,特别是在不同的温度条件下.
• 这项研究为在法医科学中对自死亡确定以来的时间进行代谢学实践实施奠定了基础.