Specific electrical conductivity of synovial fluid as a criterion for the time since death in hu-mans when examining a corpse in the late postmortem period
- Authors: Agzamov V.1
-
Affiliations:
- Башкирский государственный медицинский университет
- Section: Original study articles
- Submitted: 05.10.2024
- Accepted: 07.11.2024
- Published: 21.03.2025
- URL: https://for-medex.ru/jour/article/view/16193
- DOI: https://doi.org/10.17816/fm16193
- ID: 16193
Cite item
Abstract
The purpose of the work: To study changes in the specific electrical conductivity of the synovial fluid of the knee joints of a corpse during the development of its putrefactive transformation with a mathematical description of the revealed changes. Methods: An experimental study of the conductometric properties of the synovial fluid of the knee joints was carried out. Results: Mathematical models created on the basis of a multilayer perceptron with MPP 2-5-1 architecture can be used to calculate the DNS by the magnitude of the specific electrical conductivity of the synovial fluid of the knee joint. Conclusion: A conductometric study of the synovial fluid of the knee joints of a corpse in the late postmortem period makes it possible to reliably detect changes in its specific electrical conductivity.
Full Text
ОБОСНОВАНИЕ:
Объективная диагностика давности наступления смерти (ДНС) человека является безусловной прерогативой судебно-медицинской экспертизы, находясь целиком и полностью в компетенции медицинских работников, т.к. основывается на регистрации степени выраженности биологических процессов, начинающихся в теле человека после его умирания и закономерно развивающихся в течение раннего и позднего постмортальных периодов. При этом точность определения ДНС имеет и существенное юридическое значение, в связи с тем, что от успешности решения этого вопроса во многом зависит исход расследования преступления против жизни и здоровья граждан. Необходимо отметить, что определение ДНС имеет особую актуальность, когда смерть наступила в условиях неочевидности, а само мертвое тело исследуется экспертом в позднем посмертном периоде [1, 2, 3], т.к. было обнаружено спустя значительное время с момента умирания. При отсутствии достоверных сведений о ненасильственном характере смерти сотрудники органов следствия в качестве основной версии обычно полагают криминальный умысел неизвестных лиц в убийстве человека, труп которого обнаружен, а знание точного времени установления его смерти существенно суживает круг вопросов при доказывании выдвинутой версии, либо ее опровержении [4, 5, 6]. Однако гнилостная биотрансформация мертвого тела существенно ограничивает диагностические возможности судебно-медицинского эксперта, не давая ему с необходимой точностью ответить на вопросы следователя [7], что и обуславливает необходимость поиска новых достоверных экспертных критериев, позволяющих объективизировать исследовательскую процедуру.
В современной научной литературе указывалось, что перспективным объектом, с точки зрения изучения его изменений в позднем постмортальном периоде, является синовиальная жидкость крупных суставов трупа, и создана методика ее исследования на гнилостно трансформированном теле с установлением ДНС на основании величины оптической плотности синовии [6, 7]. Однако метод имеет некоторые ограничения, которые обусловлены особенностями применяемой аппаратуры (фотоколориметр), не позволяющей использовать ее в условиях выезда эксперта на место обнаружения трупа из-за стационарного характера прибора, а также использование объекта сравнения (дистиллированная вода) и возможного влияния его качества на получаемый результат инструментального исследования и, соответственно, на итоговую точность определения ДНС предлагаемым расчетным способом.
По нашему мнению, указанных ограничений лишены способы исследования электропроводности жидкости, которые могут использоваться в любых условиях, даже на месте осмотра трупа, по причине существования большого числа портативных кондуктометров, Кроме того, данная аппаратура не относится к категории дорогостоящих приборов, а обучение ее использованию не занимает много времени, что может ускорить ее практическое внедрение. Сама же кондуктометрия является объективным количественным методом исследования, способна с высокой точностью определять изменения в жидких биологических средах и уже давно положительно зарекомендовала себя в различных сферах медицинской диагностики [8].
С учетом изложенного выдвинута версия о возможном повышении точности и объективности судебно-медицинской диагностики давности смерти человека на поздних сроках постмортального периода кондуктометрическим способом, что и определило содержание работы.
ЦЕЛЬ ИССЛЕДОВАНИЯ.
Изучить изменения удельной электропроводности синовиальной жидкости коленных суставов трупа при развитии его гнилостной трансформации с математическим описанием выявленных изменений на основе модели многослойного перцептрона для обоснования перспективности определения ДНС кондуктометрическим способом.
МАТЕРИАЛ И МЕТОДЫ.
Дизайн исследования:
Проведено экспериментальное исследование кондуктометрических свойств синовиальной жидкости коленных суставов от 103 трупов лиц, умерших в возрасте от 20 до 87 лет от различных причин.
Тела исследованы на поздних сроках посмертного периода (ДНС до 10 суток). Значение давности смерти устанавливалось комплексно на основании медицинских, судебно-медицинских, следственных данных.
Критерии соответствия.
Критерии включения: случаи судебно-медицинской экспертизы трупов на поздних сроках посмертного периода со значением ДНС, доказанным морфологически на основе изучения степени выраженности поздних трупных изменений, а также в ходе сбора дополнительной информации.
Критерии не включения и исключения: случаи судебно-медицинской экспертизы трупов без признаков поздних трупных изменений, либо трупов с таковыми изменениями, но при отсутствии достоверной информации о времени смерти человека.
Условия проведения:
Работа выполнена на практическом судебно-медицинском материале Государственного бюджетного учреждения здравоохранения Республики Башкортостан «Бюро судебно-медицинской экспертизы Министерства здравоохранения Республики Башкортостан» (ГБУЗ РБ «БСМЭ МЗ РБ») в период с 2020 по 2024 гг.
Продолжительность исследования:
Исследование имеет экспериментальный характер изучения объектов, получаемых от трупа человека в ходе его секционного судебно-медицинского изучения, оценка продолжительности исследования не является информативной.
Описание медицинского вмешательства:
Синовиальная жидкость от трупа изымалась путем пункции его коленного сустава через традиционные точки доступа [9] стерильным одноразовым 5,0 мл медицинским шприцем. Для стандартизации условий измерения удельной электропроводности шприц с набранной в него синовией помещался в термостат при 25°С для стабилизации температуры образца. Спустя 30-45 минут жидкость из шприца переливалась в специальную кювету, предназначенную для изучения электропроводности. Измерение электропроводности синовиальной жидкости проводилось прибором «АКИП RLC 6109», подключенным к компьютеру через USB интерфейс. Применяемый аппарат внесен в государственный реестр измерительных средств, имеет сертификат соответствия, и позволяет измерять сопротивление, комплексное сопротивление, активное сопротивление, ёмкость, индуктивность с погрешностью 0,1% на частотах от 0,1 кГц, 1 кГц, 10 кГц.
Основной исход исследования:
Получены значения электропроводности синовиальной жидкости коленных суставов трупов лиц, тела которых исследованы на поздних сроках посмертного периода. Все значения определены для трех частот тока исследования (100 Гц, 1 кГц, 10 кГц) синусоидальной формы. Установлены ряд зависимостей удельной электропроводности синовиальной жидкости от давности смерти человека. Созданы математические модели, описывающие зависимость удельной электропроводности синовиальной жидкости коленных суставов трупа от длительности постмортального периода.
Дополнительные исходы исследования:
Дополнительных ожидаемых результатов в ходе достижения цели настоящего исследования не получено.
Анализ в подгруппах:
В приложении Statistica 10,0 имеется три стратегии построения модели нейронными сетями. На первом этапе нами выбрана автоматизированная: указывали долю переменных для включения в обучающую выборку (70%); контрольную, подтверждающую (Samples: Train, Test, Validation). С указанными параметрами осуществлялось построение моделей и выбор пяти из них с лучшими параметрами. Для настройки сетей выбиралась радиальная базисная функция для обучения скрытых нейронов и производилось построение простой нейронной модели. Проанализировав полученные результаты и изучив итоги, в которых указана архитектура моделей, их производительность, ошибки функций, осуществлялся выбор наилучшей из них. Для удобства выбора используемых в нейронной сети функций производилось построение диаграммы рассеяния для ДНС и удельной электропроводности на частотах электрического тока, показавших наилучшие результаты. Исходя из полученной диаграммы осуществлялся конечный выбор функций активации перцептрона.
Методы регистрации исходов:
Основным методом регистрации наблюдаемых исходов являлась фиксация значений удельной электропроводности в Базе данных, формируемой в приложении Microsoft Excel офисного пакета программ Microsoft Office. Здесь же производилась предварительная обработка полученных результатов в соответствии с правилами статистических исследований, рекомендованных к применению в биологических и медицинских научных работах [10]. Разработка математической модели производилась в приложении Statistica 10,0.
Этическая экспертиза:
В ходе проведения работы в обязательном порядке учитывались принципы биоэтики, имеющие непосредственное отношение к проведению медико-биологических исследований. Проведение исследования одобрено комиссией по биоэтике ФГБОУ ВО БГМУ Минздрава России, тема утверждена Ученым советом 24 сентября 2020 года.
Статистический анализ:
Принципы расчета размера выборки: размер выборки предварительно не рассчитывался.
Методы статистического анализа данных: в работе использованы классические методы статистического анализа – вычисление среднего арифметического в выборках, стандартного отклонения, ошибки среднего арифметического [10]. Математическое моделирование осуществлялось с применением функций нейронных сетей на основе многомерного перцептрона в приложении Statistica 10,0.
РЕЗУЛЬТАТЫ
Основные результаты исследования:
Результаты исследований показали, что изменения удельной электропроводности синовии на длинах волн 100 Гц и 1 кГц детерминированы исключительно давностью смерти человека и не зависят более от каких-либо иных сопряженных факторов. При этом, взаимосвязь между величиной удельной электропроводности синовиальной жидкости и продолжительностью постмортального периода наиболее точно описывается математическими моделями, основанными на полиномиальной зависимости второй степени:
- для частоты тока исследования 100 Гц:
(1)
где – величина удельной электропроводности на частоте 100 Гц, См-1 х10-1;
TSD – давность наступления смерти, в сут.
- для частоты тока исследования 1 кГц:
(2)
где – величина удельной электропроводности на частоте 1 кГц, См-1 х10-1;
TSD – давность наступления смерти, в сут.
Установлено, что математические модели, созданные на основе многослойного перцептрона с архитектурой MLP 2-5-1 могут быть использованы для расчета ДНС по величине удельной электропроводности синовиальной жидкости коленного сустава с получаемым результатом, границы погрешности которого с вероятностью более 95% устанавливаются следующим неравенством:
(3)
где TSD – истинное значение давности наступления смерти, сут.;
TSDa – расчетное значение давности наступления смерти, определенное по математической модели на основе многослойного перцептрона, сут.
Авторы статьи не имеют возможности в настоящей статье привести итоговое математическое выражение (модель многослойного перцептрона с архитектурой MLP 2-5-1), рекомендуемое для применения в судебно-медицинской практике, т.к. оно составляет сущность заявки на изобретение, в настоящий момент времени проходящей экспертизу в Федеральном институте промышленной собственности.
Таблица 1
Веса в структуре многослойного перцептрона модели
с архитектурой 2 MLP 2-5-1
Соединения – 2 MLP 2-5-1 | Значения весов – 2 MLP 2-5-1 | |
1 | X01k --> скрытый нейрон 1 | -1,60556 |
2 | X1k --> скрытый нейрон 1 | -0,8682 |
3 | X01k --> скрытый нейрон 2 | -1,72512 |
4 | X1k --> скрытый нейрон 2 | 0,29258 |
5 | X01k --> скрытый нейрон 3 | 1,71824 |
6 | X1k --> скрытый нейрон 3 | 0,53656 |
7 | X01k --> скрытый нейрон 4 | 5,9973 |
8 | X1k --> скрытый нейрон 4 | 6,47249 |
9 | X01k --> скрытый нейрон 5 | 0,9848 |
10 | X1k --> скрытый нейрон 5 | -1,13822 |
11 | входное смещение --> скрытый нейрон 1 | -0,32826 |
12 | входное смещение --> скрытый нейрон 2 | 0,05079 |
13 | входное смещение --> скрытый нейрон 3 | -1,52135 |
14 | входное смещение --> скрытый нейрон 4 | -3,25862 |
15 | входное смещение --> скрытый нейрон 5 | 0,55719 |
16 | скрытый нейрон 1 --> ДНС_сут | -0,54822 |
17 | скрытый нейрон 2 --> ДНС_сут | 0,26344 |
18 | скрытый нейрон 3 --> ДНС_сут | 0,28115 |
19 | скрытый нейрон 4 --> ДНС_сут | 0,22141 |
20 | скрытый нейрон 5 --> ДНС_сут | -0,07299 |
21 | скрытое смещение --> ДНС_сут | 0,30003 |
Таблица 2
Описательные статистики модели
многослойного перцептрона с архитектурой 2 MLP 2-5-1
X01k - Вход | X1k - Вход | ДНС_сут - Целевая | |
Минимум (Обучающая) | 0,139836 | 0,189524 | 1 |
Максимум (Обучающая) | 3,371541 | 3,569507 | 10 |
Среднее (Обучающая) | 0,585607 | 0,868022 | 3,01429 |
Стандартное отклонение (Обучающая) | 0,479766 | 0,605873 | 2,27458 |
Минимум (Контрольная) | 0,123623 | 0,183834 | 1 |
Максимум (Контрольная) | 3,495901 | 3,737089 | 10 |
Среднее (Контрольная) | 0,630112 | 0,860494 | 2,8 |
Стандартное отклонение (Контрольная) | 0,832917 | 0,910015 | 2,54109 |
Минимум (Тестовая) | 0,181489 | 0,221111 | 1 |
Максимум (Тестовая) | 2,075426 | 1,975186 | 8 |
Среднее (Тестовая) | 0,532192 | 0,721428 | 2,26667 |
Стандартное отклонение (Тестовая) | 0,344573 | 0,48098 | 1,31112 |
Минимум (Общий) | 0,123623 | 0,183834 | 1 |
Максимум (Общий) | 3,495901 | 3,737089 | 10 |
Среднее (Общее) | 0,584271 | 0,844903 | 2,87 |
Стандартное отклонение (Общее) | 0,538828 | 0,641749 | 2,27261 |
Дополнительные результаты исследования:
Дополнительных исходов рамках достижения цели настоящего исследования получено не было.
Нежелательные явления:
Нежелательные явления в рамках достижения цели настоящего исследования не наблюдались.
ОБСУЖДЕНИЕ
Обсуждение основных результатов исследования:
Динамика изменения удельной электропроводности синовиальной жидкости в постмортальном периоде в течение 10 суток на частотах 100 Гц, 1 кГц, 10 кГц показывает достоверные изменения (p<0.001) на частотах электрического токах 0,1 и 1 кГц, и их отсутствие на частоте 10 кГц (Рис. 1). Изменения удельной электропроводности синовии на этих частотах синусоидального тока исследования детерминированы исключительно давностью смерти человека и не зависят более от каких-либо иных сопряженных факторов (пол, возраст умерших лиц, наличие этанола в крови исследованных трупов и категория смерти).
Для визуализации тенденций изменения удельной электропроводности синовии в зависимости от продолжительности постмортального периода наиболее целесообразным является построение линий тренда, что дает дополнительную возможность выразить наблюдаемые изменения в форме математического уравнения. Как показал проведенный анализ, наиболее точно описывают изучаемый процесс выражения, основанные на полиномиальной зависимости изучаемых параметров (Рис. 2).
Полиномы второй степени, устанавливающие взаимосвязь между продолжительностью постмортального периода и величиной удельной электропроводности синовиальной жидкости приведены в выражениях (1) и (2).
Для выявления значимых предикторов и построения моделей нами использованы нейронные сети. Искусственная нейронная сеть – это математическая модель вместе с ее аппаратной и программной реализацией, построенная по принципу действия биологической нейронной сети и предназначенная для установления взаимосвязанности данных.
Для удобства выбора используемых в нейронной сети функций построена диаграмма рассеяния для ДНС и удельной электропроводности на частотах электрического тока 100 Гц и 1 кГц (Рис. 3). Как видно из рисунка – для итоговой активации перцептрона подходят большинство функций: тождественная, гиперболическая, экспонентная.
На обучающей выборке активированы пять моделей, одна из которых основана на архитектуре MLP 2-9-1 (первая модель) и четыре на архитектуре MLP 2-5-1 (модели 2, 3, 4, 5, соответственно).
Архитектура модели с самой высокой производительностью на обучающей выборке (0,980) была у 2 MLP 2-5-1, обученная по алгоритму второго порядка BFGS 52 с функцией выходных нейронов – гиперболическая. На контрольной выборке производительность была у всех пяти моделей одинаковой (0,930). На обучающей выборке ошибка обучения была также ниже (0,103), на контрольной выборке ошибка обучения на 0,003 была выше (лучше результат у модели 4 MLP 2-5-1, обученная также по алгоритму второго порядка BFGS 23 с функцией выходных нейронов – гиперболическая). На тестовой выборке ошибка самая низкая у модели с архитектурой 2 MLP 2-5-1 (0,063). Следовательно, показатели с более высоким уровнем точного предсказания давности наступления смерти по удельной электропроводности синовиальной жидкости коленных суставов трупа человека у модели с архитектурой 2 MLP 2-5-1: 98,0%, 99,3% и 98,8% (p<0.05), следовательно, именно эта модель явится оптимальной. В таблице 1 представлена структура многослойного перцептрона модели с архитектурой 2 MLP 2-5-1. В таблице 2 показаны описательные статистики модели многослойного перцептрона с архитектурой 2 MLP 2-5-1.
Хорошее соотношение между целевой и выходной ДНС на основе модели многослойного перцептрона с архитектурой 2 MLP 2-5-1 показано на рисунке 4а. Остатки (4б) и стандартизированные остатки (4в) указывают также на хорошее согласование модели многослойного перцептрона с архитектурой 2 MLP 2-5-1 с исходными данными.
Более наглядно согласованность исходных (а) данных с расчетными на модели многослойного перцептрона с архитектурой 2 MLP 2-5-1 показана на рис. 5 в графиках поверхностей.
Проверка точности предсказания значения ДНС по величине удельной электропроводности синовиальной жидкости трупа, находящегося в состоянии гнилостных изменений, произведена путем сопоставления со значениями заведомо известной ДНС, устанавливаемой комплексным учетом всех данных, имеющихся в распоряжении судебно-медицинского эксперта. Получено неравенство (3), устанавливающее границы доверительного интервала, в котором с вероятностью более 95% находятся значения ДНС, рассчитанные по модели многослойного перцептрона с архитектурой 2 MLP 2-5-1. Графическое представление полученного результата отражено на рисунке 6.
Резюме основного результата исследования:
Таким образом, возможность судебно-медицинской диагностики давности смерти человека путем изучения электропроводности синовиальной жидкости коленных суставов трупа человека является обоснованной, т.к. динамика изменения указанного биофизического параметра в течение позднего постмортального периода с высокой степенью достоверности описывается полиномиальными выражениями для частот электрического тока 100 Гц (1) и 1 кГц (2) при максимальной давности наступления смерти до 10 суток.
Применение возможностей искусственной нейронной сети позволило с использованием структуры многослойного перцептрона модели с архитектурой 2 MLP 2-5-1 разработать модель предсказания значения ДНС по величине удельной электропроводности синовиальной жидкости трупа. Адекватность модели проверена путем сопоставления расчетных результатов с заведомо известным, объективно подтвержденным, истинным временем наступления смерти человека.
Ограничения исследования:
Ограничений в рамках проводимого исследования не выявлено.
ЗАКЛЮЧЕНИЕ:
Кондуктометрическое изучение синовиальной жидкости коленных суставов трупа в позднем постмортальном периоде позволяет достоверно выявлять изменения ее удельной электропроводности, которые непосредственно обусловлены временем, прошедшим с момента смерти человека.
Считаем, что разработанный алгоритм исследования и созданная модель на основе многослойного перцептрона, после ее официальной регистрации Роспатентом, могут быть применимы на практике как дополнительный метод для определения ДНС в пределах 10 суток посмертного периода.
About the authors
Vadim Agzamov
Башкирский государственный медицинский университет
Author for correspondence.
Email: expert.sudmed@yandex.ru
ORCID iD: 0000-0001-9845-2280
Россия
References
- Tenkov, A. A. Forensic examination of a corpse in the late postmortem period: (rotting, adipocere, mummification, damage assessment) / A. A. Tenkov, V. O. Plaksin. - Kursk-Moscow: KSMU, 2005. - 419 p.
- Tomilin, V. V. Determining the time of death / V. V. Tomilin, V. V. Zharov, G. M. Melnikov // Forensic examination. - 1984. - V. 27. - No. 4. - P. 44-47.
- Froede, R. C. Handbook of Forensic Pathology / R. C. Froede - College of American Pathologists, 2003, 581 p.
- Kildyushov, E. M. Diagnostics of the time since death in the late postmortem period in forensic medical practice (literature review) / E. M. Kildyushov, Yu. V. Ermakova, E. V. Tumanov, G. S. Kuznetsova // Forensic medicine. 2018; 4 (1): 34-38.
- Indiaminov, S. I. Problems of establishing the time since death / S. I. Indiaminov, Z. E. Zhumanov, S. A. Blinova // Forensic medical examination. 2020; 63 (6): 45-50.
- Sadrtdinov, A. G. Photocolorimetric diagnostics of the time since death, during the examination of a putrefactively transformed corpse / A. G. Sadrtdinov, G. A. Kanzafarova, A. A. Khalikov // Medical examination and law. 2016 (5): 32-36.
- Sadrtdinov, A. G. Establishing the time of death of a person by the photocolorimetric method during putrefactive biotransformation of a corpse / A. G. Sadrtdinov, A. Yu. Vavilov, A. A. Khalikov, T. V. Naidenova // Modern problems of science and education. 2017 (2).; URL: https://science-education.ru/ru/article/view?id=26165 (date of access: 12.07.2024).
- Popov, V. L. On the prospects of the impedancemetry method for determining the time of death / V. L. Popov, E. L. Kazakova, O. S. Lavrukova, A. Yu. Polyakov // Forensic medical examination. 2023; 66 (2): 20-25.
- Yumashev, G. S. Traumatology and orthopedics / G. S. Yumashev - 2nd ed. M.: Medicine, 1983.
- Tarnovskaya, L. I. Statistics / L. I. Tarnovskaya - M., 2008. - 320 p.
Supplementary files
