一項突破性研究為法醫學領域帶來了新進展——科研人員開發出一種利用人工智能分析血液代謝物來估算死亡時間的新方法，相關成果已發表于國際權威期刊《自然·通訊》。該方法通過檢測尸體血液中的小分子代謝物濃度變化，顯著提升了死亡時間推斷的準確性，尤其適用于死亡時間較長、傳統方法難以精準判斷的復雜案件。

研究團隊來自瑞典林雪平大學與國家法醫學委員會，他們發現人體死亡后會啟動一系列可預測的生物化學過程。隨著組織分解，血液中數百種代謝物的濃度會隨時間呈現規律性波動，這些變化與死亡后的時間間隔存在強相關性。這一發現為開發新型死亡時間推斷工具提供了科學基礎。

傳統法醫學主要依賴體溫下降、尸僵程度、眼玻璃體液鉀離子濃度等指標，但這些方法在死亡超過48小時后準確性會大幅下降。例如，環境溫度波動會顯著影響尸體冷卻速度，導致基于體溫的估算產生較大偏差。而新方法通過機器學習模型分析代謝物數據，有效克服了這些局限性。

該研究的突破性在于建立了迄今最大規模的尸檢代謝物數據庫?？蒲腥藛T整合了近十年間4.5萬余例尸檢樣本的檢測數據，其中4876例帶有確切死亡時間記錄的樣本被用于模型訓練。值得注意的是，研究證實即使使用數百例樣本訓練，模型仍能達到可用精度，這為后續研究提供了重要參考。

在獨立測試集中，新模型對死亡后13天內的尸檢樣本展現出優異性能，預測誤差控制在±1天范圍內，較傳統方法提升約30%。研究人員特別強調，血液代謝物的時間信號具有高度穩定性，即使面對不同環境溫度、濕度等干擾因素，仍能保持可靠的預測能力。

當前研究仍存在一定局限——數據庫僅記錄死亡日期而非精確時刻。為此，團隊正著手構建包含具體死亡時間的新數據集，旨在將時間分辨率提升至小時級別，并探索推斷死亡具體時段的可能性。這項技術若能完善，將為刑事偵查提供更精確的物證支持。

法醫學專家指出，該工具并非要取代現有方法，而是作為重要補充手段。在涉及尸體長期暴露、環境條件復雜或死亡時間存疑的案件中，代謝物分析可提供獨立證據鏈，幫助法醫更準確地還原案發時間線。隨著數據積累和技術優化，這項創新有望成為法醫鑒定領域的標準工具之一。