La nueva herramienta alimentada por IA podría mejorar las investigaciones traumáticas de lesiones cerebrales en forense y la aplicación de la ley

Un equipo de investigadores de la Universidad de Oxford, en colaboración con la policía de Thames Valley, la Agencia Nacional del Crimen, el Hospital John Radcliffe, Lurtis Ltd. y la Universidad de Cardiff, ha desarrollado una herramienta avanzada basada en la AI para ayudar a la investigación forense de lesiones cerebrales traumáticas (TBI).

El estudio, publicado en Ingeniería de comunicacionespresenta un marco de aprendizaje automático informado por la mecánica para ayudar a los equipos policiales y forenses a predecir con precisión los resultados de TBI basados ​​en escenarios de asalto documentados.

TBI es un problema crítico de salud pública, con consecuencias neurológicas graves y a largo plazo. En investigaciones forenses, determinar si un impacto podría haber causado una lesión reportada es crucial para procedimientos legalessin embargo, actualmente no hay un enfoque estandarizado y cuantificable para hacerlo.

El nuevo estudio demuestra cómo las herramientas de aprendizaje automático informadas por simulaciones mecanicistas podrían proporcionar predicciones de lesiones basadas en evidencia, para mejorar la precisión y consistencia de las investigaciones de TBI.

El investigador principal Antoine Jérusalén, profesor de ingeniería mecánica en el Departamento de Ciencias de la Ingeniería de la Universidad de Oxford, dijo: “Esta investigación representa un paso adelante significativo en la biomecánica forense. Al aprovechar las simulaciones de IA y física, podemos proporcionar la aplicación de la ley con una herramienta sin precedentes para evaluar las tipos de manera objetiva”.

El marco de IA del estudio, capacitado en informes policiales reales y anonimizados y datos forenses, logró una notable precisión de predicción para las lesiones relacionadas con TBI:

• 94% de precisión para fracturas de cráneo
• 79% de precisión para la pérdida de conciencia
• 79% de precisión para la hemorragia intracraneal (sangrado dentro del cráneo)

En cada caso, el modelo mostró una alta especificidad y alta sensibilidad (una baja tasa de resultados falsos positivos y falsos negativos).

El marco utiliza un modelo mecanicista computacional general de la cabeza y el cuello, diseñado para simular cómo los diferentes tipos de impactos, como golpes, bofetadas o golpes contra una superficie plana, afectan varias regiones. Esto proporciona una predicción básica de si es probable que un impacto cause deformación o estrés tisular.

Sin embargo, no predice por sí solo ningún riesgo de lesión. Esto lo hace una capa superior de IA que incorpora esta información con cualquier metadato relevante adicional, como la edad y la altura de la víctima, antes de proporcionar una predicción para una lesión dada.

Los investigadores capacitaron al marco general en 53 informes policiales reales anónimos de casos de asalto. Cada informe incluyó información sobre una variedad de factores que podrían afectar la gravedad del golpe (por ejemplo, edad, sexo, construcción corporal de la víctima/delincuente). Esto dio como resultado un modelo capaz de integrar datos biofísicos mecánicos con detalles forenses para predecir la probabilidad de que ocurran diferentes lesiones.

Cuando los investigadores evaluaron qué factores tuvieron la mayor influencia en el valor predictivo para cada tipo de lesión, los resultados fueron notablemente consistentes con los hallazgos médicos.

Por ejemplo, al predecir la probabilidad de fractura del cráneo, el factor más importante fue la mayor cantidad de estrés experimentado por el cuero cabelludo y el cráneo durante un impacto. Del mismo modo, el predictor más fuerte de la pérdida de conciencia fue las métricas de estrés para el tronco encefálico.

El equipo de investigación insiste en que el modelo no tiene la intención de reemplazar la participación de expertos forenses y clínicos humanos en la investigación de casos de asalto. Más bien, la intención es proporcionar una estimación objetiva de la probabilidad de que un asalto documentado fuera la verdadera causa de una lesión reportada.

El modelo también podría usarse como una herramienta para identificar situaciones de alto riesgo, mejorar las evaluaciones de riesgos y desarrollar estrategias preventivas para reducir la ocurrencia y la gravedad de las lesiones en la cabeza.

El profesor Jérusalén agregó: “Nuestro marco nunca podrá identificar sin duda el culpable que causó una lesión. Todo lo que puede hacer es decirle si la información proporcionada se correlaciona con un cierto resultado. Dado que la calidad de la producción depende de la calidad de la información alimentada en el modelo, tener declaraciones detalladas de testigos aún es crucial”.

La Sra. Sonya Baylis, gerente senior de la Agencia Nacional del Crimen que apoyó este proyecto de investigación, dijo: “Comprender las lesiones cerebrales utilizando tecnología innovadora para apoyar una investigación policial, que depende anteriormente de información limitada, mejorará en gran medida la interpretación requerida desde una perspectiva médica para apoyar los enjuiciamientos”.

El Dr. Michael Jones, investigador de la Universidad de Cardiff, y consultor forense, dijo: “Un” talón de Aquiles “de medicina forense es la evaluación de si un mecanismo de lesiones testigo o inferido, a menudo la fuerza, coincide con las lesiones observadas.

“Con la aplicación del aprendizaje automático, cada caso adicional contribuye a la comprensión general de la asociación entre el mecanismo de causa, primaria lesiónfisiopatología y resultado “.

El estudio fue realizado por un equipo interdisciplinario de ingenieros, especialistas forenses y profesionales médicos de la Universidad de Oxford, la policía de Thames Valley, la Agencia Nacional del Crimen, la Universidad de Cardiff, Lurtis Ltd., el Hospital John Radcliffe y otras instituciones asociadas.