Para aumentar a precisão do uso de indicadores bioquímicos sanguíneos na inferência da temperatura de afogamento, este estudo utilizou sangue cardíaco fresco de ratos SD afogados para realizar exames bioquímicos e, por meio de testes estatísticos e aprendizado de máquina, construiu um modelo de regressão entre a temperatura de afogamento e os indicadores bioquímicos sanguíneos. Medindo 14 indicadores bioquímicos sanguíneos, foram realizados testes de normalidade, homogeneidade da variância, análise de variância, testes post hoc e análise de correlação. Foi utilizado o modelo de regressão K-vizinhos mais próximos (KNN) para selecionar indicadores importantes, realizar benchmarking e construir o modelo de regressão. Por fim, o modelo foi ajustado, avaliado e interpretado. Os resultados mostraram que os 14 indicadores bioquímicos seguem distribuição normal em diferentes temperaturas, com diferenças significativas nas médias intra-grupos (p<0,05), e 18,6% das comparações pareadas não apresentaram diferenças significativas; a colinearidade entre os indicadores foi baixa (<70%). O modelo de regressão selecionou 10 indicadores bioquímicos: fosfatase alcalina (ALP), gama-glutamil transferase (GGT), creatinina (Cr), ácido úrico (UA), ureia (UREA), colesterol HDL (HDL_C), colesterol (CHO), triglicerídeos (TG), Ca²⁺ e Mg²⁺. O modelo de regressão KNN construído com essas variáveis como características, após ajuste de hiperparâmetros, apresentou erro quadrático médio raiz (RMSE) de 1,872 no conjunto de teste e coeficiente de determinação (R²) de 0,9792. As características Mg²⁺, TG e ALP tiveram maior impacto negativo no modelo. Em comparação com modelos de regressão tradicionais, o modelo construído neste estudo pode aproveitar plenamente os dados das amostras, com pré-processamento simples, alta precisão e boa interpretabilidade, sendo adequado para inferir a temperatura de afogamento.

temperatura de afogamento;bioquímica sanguínea;afogamento;aprendizado de máquina