Afin d'améliorer la précision de l'utilisation des indicateurs biochimiques sanguins pour déduire la température de noyade, cette étude a utilisé du sang cardiaque frais de rats SD noyés pour réaliser des analyses biochimiques, en construisant un modèle de régression entre la température de noyade et les indicateurs biochimiques sanguins grâce à des tests statistiques et à l'apprentissage automatique. En mesurant 14 indicateurs biochimiques sanguins, des tests de normalité, d'homogénéité des variances, d'analyse de variance, des tests post-hoc et une analyse de corrélation ont été réalisés, et un modèle de régression K-Plus Proche Voisin (KNN) a été utilisé pour sélectionner les indicateurs importants, effectuer des benchmarks et construire le modèle de régression. Enfin, le modèle a été ajusté, évalué et interprété. Les résultats montrent que les 14 indicateurs biochimiques suivent une distribution normale à différentes températures et que les moyennes intragroupes présentent des différences significatives (p<0.05), avec 18,6 % des comparaisons par paires non significatives ; la colinéarité entre les indicateurs est faible (<70 %). Le modèle de régression a sélectionné 10 indicateurs biochimiques : phosphatase alcaline (ALP), gamma-glutamyltransférase (GGT), créatinine (Cr), acide urique (UA), urée (UREA), cholestérol HDL (HDL_C), cholestérol (CHO), triglycérides (TG), Ca²⁺ et Mg²⁺. Le modèle de régression KNN utilisant ces variables comme caractéristiques, après ajustement des hyperparamètres, a obtenu une erreur quadratique moyenne racine (RMSE) sur le jeu de test de 1.872 et un coefficient de détermination (R²) de 0.9792. Les caractéristiques Mg²⁺, TG et ALP ont eu le plus grand impact négatif sur le modèle. Comparé aux modèles de régression traditionnels, le modèle construit dans cette étude exploite pleinement les données d'échantillons, avec un prétraitement simple, une haute précision et une bonne explicabilité, adapté à l'inférence de la température de noyade.

température de noyade;biochimie sanguine;noyade;apprentissage automatique