Métodos y técnicas actuales en el tanatocronodiagnóstico
de la tanatoquímica a la integración mediante inteligencia artificial
DOI:
https://doi.org/10.68000/actumf.v2i1.25Palabras clave:
tanatocronodiagnóstico, intervalo post mortem, humor vítreo, tanatomicrobioma, metabolómica, aprendizaje automático, inteligencia artificial explicable, prueba pericialResumen
La estimación del intervalo post mortem (IPM) sigue siendo una de las tareas más difíciles de la medicina forense. Esta revisión narrativa analiza el rendimiento documentado de los métodos actuales —el nomograma de Henssge y el método compuesto, la tanatoquímica del humor vítreo, el tanatomicrobioma y la metabolómica— y el papel que empieza a desempeñar el aprendizaje automático. La validación del método de Henssge en 76 fallecidos con hora de muerte conocida mostró un acuerdo global del 36,8 % con su intervalo de predicción al 95 %. El potasio vítreo aumenta de forma no lineal y su variabilidad depende de la edad y de la temperatura ambiente, y los modelos microbianos alcanzan, sobre todo en estudios con animales, errores de pocos días a lo largo de semanas. El resultado más sólido procede de la metabolómica de sangre femoral: una red neuronal entrenada con 4876 casos estimó el IPM con un error absoluto medio de 1,45 días, y de 1,78 días en una cohorte externa analizada en otra plataforma. Se discuten el ruido tafonómico, el sobreajuste y la validación externa como condiciones de fiabilidad, y la exigencia de transparencia que imponen los criterios Daubert, la valoración de la prueba pericial conforme a la sana crítica y el Reglamento europeo de inteligencia artificial. Se concluye que el aprendizaje automático puede ampliar la ventana útil de la datación, pero su uso pericial requiere validación multicéntrica, cuantificación del error y modelos cuyo razonamiento pueda explicarse ante el tribunal.
Citas
Belk, A., Xu, Z. Z., Carter, D. O., Lynne, A., Bucheli, S., Knight, R. y Metcalf, J. L. (2018). Microbiome data accurately predicts the postmortem interval using random forest regression models. Genes, 9(2), 104. https://doi.org/10.3390/genes9020104
Can, I., Javan, G. T., Pozhitkov, A. E. y Noble, P. A. (2014). Distinctive thanatomicrobiome signatures found in the blood and internal organs of humans. Journal of Microbiological Methods, 106, 1–7. https://doi.org/10.1016/j.mimet.2014.07.026
Chen, J., Wei, Q., Yang, F., Liu, Y., Zhao, Y., Zhang, H., Huang, X., Zeng, J., Wang, X. y Zhang, S. (2025). Unveiling the forensic potential of oral and nasal microbiota in post-mortem interval estimation. International Journal of Molecular Sciences, 26(7), 3432. https://doi.org/10.3390/ijms26073432
Cláudia-Ferreira, A., Barbosa, D. J., Saegeman, V., Fernández-Rodríguez, A., Dinis-Oliveira, R. J. y Freitas, A. R. (2023). The future is now: Unraveling the expanding potential of human (necro)microbiome in forensic investigations. Microorganisms, 11(10), 2509. https://doi.org/10.3390/microorganisms11102509
Dani, L. M., Tóth, D., Frigyik, A. B. y Kozma, Z. (2023). Beyond Henssge’s formula: Using regression trees and a support vector machine for time of death estimation in forensic medicine. Diagnostics, 13(7), 1260. https://doi.org/10.3390/diagnostics13071260
Daubert v. Merrell Dow Pharmaceuticals, Inc., 509 U.S. 579 (1993).
Dong, K., Xin, Y., Cao, F., Huang, Z., Sun, J., Peng, M., Liu, W. y Shi, P. (2019). Succession of oral microbiota community as a tool to estimate postmortem interval. Scientific Reports, 9, 13063. https://doi.org/10.1038/s41598-019-49338-z
Franceschetti, L., Amadasi, A., Bugelli, V., Bolsi, G. y Tsokos, M. (2023). Estimation of late postmortem interval: Where do we stand? A literature review. Biology, 12(6), 783. https://doi.org/10.3390/biology12060783
Heinrich, F., Rimkus-Ebeling, F., Dietz, E., Raupach, T., Ondruschka, B. y Anders-Lohner, S. (2025). An assessment of the Henssge method for forensic death time estimation in the early post-mortem interval. International Journal of Legal Medicine, 139(1), 105–117. https://doi.org/10.1007/s00414-024-03338-5
Henssge, C. (1988). Death time estimation in case work. I. The rectal temperature time of death nomogram. Forensic Science International, 38(3–4), 209–236. https://doi.org/10.1016/0379-0738(88)90168-5
Henssge, C. y Madea, B. (2004). Estimation of the time since death in the early post-mortem period. Forensic Science International, 144(2–3), 167–175. https://doi.org/10.1016/j.forsciint.2004.04.051
Hu, L., Xing, Y., Jiang, P., Gan, L., Zhao, F., Peng, W., Li, W., Tong, Y. y Deng, S. (2021). Predicting the postmortem interval using human intestinal microbiome data and random forest algorithm. Science & Justice, 61(5), 516–527. https://doi.org/10.1016/j.scijus.2021.06.006
Huang, X., Zeng, J., Yang, F., Liu, Y., Chen, J., Wang, H., Li, S., Li, C. y Zhang, S. (2026). Microbial succession in human tissues postmortem: Insights from 2bRAD-M sequencing. Microbiology Spectrum, 14(1), e02666-24. https://doi.org/10.1128/spectrum.02666-24
Hubig, M., Muggenthaler, H., Sinicina, I. y Mall, G. (2015). Temperature based forensic death time estimation: The standard model in experimental test. Legal Medicine, 17(5), 381–387. https://doi.org/10.1016/j.legalmed.2015.05.005
Iancu, L., Bonicelli, A. y Procopio, N. (2024). Decomposition in an extreme cold environment and associated microbiome—prediction model implications for the postmortem interval estimation. Frontiers in Microbiology, 15, 1392716. https://doi.org/10.3389/fmicb.2024.1392716
Javan, G. T., Finley, S. J., Can, I., Wilkinson, J. E., Hanson, J. D. y Tarone, A. M. (2016). Human thanatomicrobiome succession and time since death. Scientific Reports, 6, 29598. https://doi.org/10.1038/srep29598
Johnson, H. R., Trinidad, D. D., Guzman, S., Khan, Z., Parziale, J. V., DeBruyn, J. M. y Lents, N. H. (2016). A machine learning approach for using the postmortem skin microbiome to estimate the postmortem interval. PLOS ONE, 11(12), e0167370. https://doi.org/10.1371/journal.pone.0167370
Ley 1/2000, de 7 de enero, de Enjuiciamiento Civil. (2000). Boletín Oficial del Estado, 7, de 8 de enero de 2000. https://www.boe.es/eli/es/l/2000/01/07/1/con
Li, W., Chang, Y., Cheng, Z., Ling, J., Han, L., Li, X. y Ding, Y. (2018). Vitreous humor: A review of biochemical constituents in postmortem interval estimation. Journal of Forensic Science and Medicine, 4(2), 85–90. https://doi.org/10.4103/jfsm.jfsm_13_18
Locci, E., Stocchero, M., Gottardo, R., Chighine, A., De-Giorgio, F., Ferino, G., Nioi, M., Demontis, R., Tagliaro, F. y d’Aloja, E. (2023). PMI estimation through metabolomics and potassium analysis on animal vitreous humour. International Journal of Legal Medicine, 137(3), 887–895. https://doi.org/10.1007/s00414-023-02975-6
Lu, X.-J., Li, J., Wei, X., Li, N., Dang, L.-H., An, G.-S., Du, Q.-X., Jin, Q.-Q., Cao, J., Wang, Y.-Y. y Sun, J.-H. (2023). A novel method for determining postmortem interval based on the metabolomics of multiple organs combined with ensemble learning techniques. International Journal of Legal Medicine, 137(1), 237–249. https://doi.org/10.1007/s00414-022-02844-8
Madea, B. (2005). Is there recent progress in the estimation of the postmortem interval by means of thanatochemistry? Forensic Science International, 151(2–3), 139–149. https://doi.org/10.1016/j.forsciint.2005.01.013
Madea, B. (2016). Methods for determining time of death. Forensic Science, Medicine, and Pathology, 12(4), 451–485. https://doi.org/10.1007/s12024-016-9776-y
Magnusson, R., Söderberg, C., Ward, L. J., Arpe, J., Kugelberg, F. C., Elmsjö, A., Green, H. y Nyman, E. (2026). The human metabolome and machine learning improves predictions of the post-mortem interval. Nature Communications, 17, 1504. https://doi.org/10.1038/s41467-026-69158-w
McCleskey, B. C., Dye, D. W. y Davis, G. G. (2016). Review of postmortem interval estimation using vitreous humor: Past, present, and future. Academic Forensic Pathology, 6(1), 12–18. https://doi.org/10.23907/2016.002
Metcalf, J. L., Wegener Parfrey, L., Gonzalez, A., Lauber, C. L., Knights, D., Ackermann, G., Humphrey, G. C., Gebert, M. J., Van Treuren, W., Berg-Lyons, D., Keepers, K., Guo, Y., Bullard, J., Fierer, N., Carter, D. O. y Knight, R. (2013). A microbial clock provides an accurate estimate of the postmortem interval in a mouse model system. eLife, 2, e01104. https://doi.org/10.7554/eLife.01104
Metcalf, J. L., Xu, Z. Z., Weiss, S., Lax, S., Van Treuren, W., Hyde, E. R., Song, S. J., Amir, A., Larsen, P., Sangwan, N., Haarmann, D., Humphrey, G. C., Ackermann, G., Thompson, L. R., Lauber, C., Bibat, A., Nicholas, C., Gebert, M. J., Petrosino, J. F., … Knight, R. (2016). Microbial community assembly and metabolic function during mammalian corpse decomposition. Science, 351(6269), 158–162. https://doi.org/10.1126/science.aad2646
Meurs, J., Krap, T. y Duijst, W. (2019). Evaluation of postmortem biochemical markers: Completeness of data and assessment of implication in the field. Science & Justice, 59(2), 177–180. https://doi.org/10.1016/j.scijus.2018.09.002
Moitas, B., Caldas, I. M. y Sampaio-Maia, B. (2024). Microbiology and postmortem interval: A systematic review. Forensic Science, Medicine and Pathology, 20(2), 696–715. https://doi.org/10.1007/s12024-023-00733-z
Muñoz Barús, J. I., Suárez-Peñaranda, J. M., Otero, X. L., Rodríguez-Calvo, M. S., Costas, E., Miguéns, X. y Concheiro, L. (2002). Improved estimation of postmortem interval based on differential behaviour of vitreous potassium and hypoxantine in death by hanging. Forensic Science International, 125(1), 67–74. https://doi.org/10.1016/S0379-0738(01)00616-8
Ondruschka, B., Seifert, D., Rotermund, N. y Fehnker, A. (2024). A critical review of «Artificial intelligence in the practice of forensic medicine: A scoping review». International Journal of Legal Medicine, 138(4), 1667–1668. https://doi.org/10.1007/s00414-024-03209-z
Parlamento Europeo y Consejo de la Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). Diario Oficial de la Unión Europea, L, 12 de julio de 2024. http://data.europa.eu/eli/reg/2024/1689/oj
Parlamento Europeo y Consejo de la Unión Europea. (2026). Reglamento (UE) 2026/1744 del Parlamento Europeo y del Consejo, de 8 de julio de 2026, por el que se modifican los Reglamentos (UE) 2024/1689, (UE) 2018/1139 y (UE) 2023/1230 en lo que respecta a la simplificación de la aplicación de normas armonizadas en materia de inteligencia artificial (Ómnibus digital sobre IA). Diario Oficial de la Unión Europea, L, 24 de julio de 2026. http://data.europa.eu/eli/reg/2026/1744/oj
Real Decreto de 14 de septiembre de 1882 por el que se aprueba la Ley de Enjuiciamiento Criminal. (1882). Gaceta de Madrid, 260, de 17 de septiembre de 1882. https://www.boe.es/eli/es/rd/1882/09/14/(1)/con
Rognum, T. O., Holmen, S., Musse, M. A., Dahlberg, P. S., Stray-Pedersen, A., Saugstad, O. D. y Opdal, S. H. (2016). Estimation of time since death by vitreous humor hypoxanthine, potassium, and ambient temperature. Forensic Science International, 262, 160–165. https://doi.org/10.1016/j.forsciint.2016.03.001
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. https://doi.org/10.1038/s42256-019-0048-x
Salam, H. F. A., Shaat, E. A., Aziz, M. H. A., MoneimSheta, A. A. y Hussein, H. A. S. M. (2012). Estimation of postmortem interval using thanatochemistry and postmortem changes. Alexandria Journal of Medicine, 48(4), 335–344. https://doi.org/10.1016/j.ajme.2012.05.004
Tournois, L., Trousset, V., Hatsch, D., Delabarde, T., Ludes, B. y Lefèvre, T. (2024). Artificial intelligence in the practice of forensic medicine: A scoping review. International Journal of Legal Medicine, 138(3), 1023–1037. https://doi.org/10.1007/s00414-023-03140-9
Tozzo, P., Amico, I., Delicati, A., Toselli, F. y Caenazzo, L. (2022). Post-mortem interval and microbiome analysis through 16S rRNA analysis: A systematic review. Diagnostics, 12(11), 2641. https://doi.org/10.3390/diagnostics12112641
Wang, Z., Zhang, F., Wang, L., Yuan, H., Guan, D. y Zhao, R. (2022). Advances in artificial intelligence-based microbiome for PMI estimation. Frontiers in Microbiology, 13, 1034051. https://doi.org/10.3389/fmicb.2022.1034051
Wu, Z., Guo, Y., Hayakawa, M., Yang, W., Lu, Y., Ma, J., Li, L., Li, C., Liu, Y. y Niu, J. (2024). Artificial intelligence-driven microbiome data analysis for estimation of postmortem interval and crime location. Frontiers in Microbiology, 15, 1334703. https://doi.org/10.3389/fmicb.2024.1334703
Y, K. e Isukapatla, A. R. (2026). Postmortem microbiome dynamics: Review of forensic microbial clock. Journal of Forensic and Legal Medicine, 117, 103024. https://doi.org/10.1016/j.jflm.2025.103024
Zilg, B., Bernard, S., Alkass, K., Berg, S. y Druid, H. (2015). A new model for the estimation of time of death from vitreous potassium levels corrected for age and temperature. Forensic Science International, 254, 158–166. https://doi.org/10.1016/j.forsciint.2015.07.020
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Actum Forense
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
