Um die Genauigkeit bei der Verwendung von biochemischen Blutparametern zur Schätzung der Ertrinkungstemperatur zu verbessern, verwendete diese Studie frisches Herzblut von ertrunkenen SD-Ratten für biochemische Tests und erstellte unter Verwendung statistischer Tests und maschinellen Lernens ein Regressionsmodell zwischen der Ertrinkungstemperatur und biochemischen Blutparametern. Durch die Messung von 14 biochemischen Indikatoren im Blut wurden Tests auf Normalverteilung, Varianzhomogenität, Varianzanalyse, Post-hoc-Tests und Korrelationsanalysen durchgeführt. Mit dem K-nächste-Nachbarn-Regression (KNN) Modell wurden wichtige Merkmale ausgewählt, Benchmarking durchgeführt und das Regressionsmodell erstellt. Abschließend wurde das Modell parametriert, bewertet und interpretiert. Die Ergebnisse zeigten, dass alle 14 biochemischen Indikatoren bei unterschiedlichen Temperaturen normalverteilt sind und signifikante Unterschiede der Gruppenmittelwerte bestehen (p<0.05), wobei 18,6 % der Paarvergleiche keine signifikanten Unterschiede zeigten; die Kollinearität zwischen den Indikatoren war gering (<70 %). Das Regressionsmodell wählte 10 biochemische Indikatoren aus: alkalische Phosphatase (ALP), Gamma-Glutamyl-Transferase (GGT), Kreatinin (Cr), Harnsäure (UA), Harnstoff (UREA), High-Density-Lipoprotein-Cholesterin (HDL_C), Cholesterin (CHO), Triglyzeride (TG), Ca²⁺ und Mg²⁺. Mit diesen als Merkmale gebauten KNN-Regressionsmodell erzielte der Testdatensatz nach Hyperparameter-Optimierung eine Root Mean Squared Error (RMSE) von 1,872 und einen Bestimmtheitsmaß (R²) von 0,9792. Die Merkmale Mg²⁺, TG und ALP hatten den größten negativen Einfluss auf das Modell. Im Vergleich zu herkömmlichen Regressionsmodellen kann das in dieser Studie erstellte Modell Probenzahlen voll nutzen, hat eine einfache Datenvorverarbeitung, hohe Genauigkeit und gute Interpretierbarkeit und eignet sich zur Schätzung der Ertrinkungstemperatur.

Ertrinkungstemperatur;biochemisches Blut;Ertrinken;maschinelles Lernen