En este artículo vamos a hablar de la estimación de la edad a la muerte aplicando Inteligencia Artificial (IA). Nos enfocaremos en la familia de métodos que emplean el análisis de la sínfisis del pubis siguiendo los principios del método de Todd [1]. En estos métodos, se asigna un fase de edad (un rango de edad) a cada individuo basándose en características morfológicas de la sínfisis púbica. El método de Todd [1] ha sido el primero en utilizar este tipo de enfoque, mientras otros métodos posteriores [2] han empleado características distintas o considerado otros intervalos para la edad.

El estudio de Todd [1] fue publicado en 1920. Todd analizó 306 esqueletos de varones caucasianos entre 18 y 60 años, proponiendo 10 fases de desarrollo y degeneración de la sínfisis púbica (Figura 1). Todd dió una descripción morfológica de la sínfisis púbica para cada fase e incluyó fotografías de referencias para facilitar la comparación. El estudio tiene limitaciones metodológicas muy claras, empezando por el tipo de muestra utilizada, que estaba compuesta por cadáveres sin identificar cuya edad fue determinada en la misma autopsia. Las sínfisis púbicas que no cumplían con las expectativas fueron excluidas de la muestra, y además los resultados se obtuvieron sin algún tipo de análisis estadístico. A pesar de estos problemas, los criterios descritos por Todd hace más de 100 años se siguen utilizando en las metodologías recomendadas a día de hoy. 

Revisando el método de Todd usando IA

En [3], investigadores de la Universidad de Granada (UGR) investigaron el uso de IA para mejorar la etapa de toma de decisiones del método de Todd. Los autores consideraron las mismas características morfológicas de la sínfisis púbica y las mismas diez fases de edad del método original, pero utilizaron el aprendizaje automático para aprender a asignar la fase de edad correcta en función de la morfología de la sínfisis.

En la primera parte del nuevo método, un analista forense evalúa la morfología de la sínfisis púbica, al igual que con el método de Todd, pero el enfoque es más sistemático. La evaluación tiene que determinar nueve rasgos diferentes de la morfología, cada uno con un número específico de valores posibles. La figura 2 proporciona una representación gráfica de algunos de estos rasgos. Los nueve rasgos son los siguientes:

• La cara articular describe el proceso de obliteración de la epífisis sobre la superficie sinfisaria y se ha dividido en 6 niveles según la presencia de crestas y surcos.
• La porosidad irregular describe la erosión extensa de la superficie ósea, caracterizada por la aparición progresiva de porosidad irregular. Se divide en 3 niveles.
• Extremidad sinfisaria superior, Extremidad sinfisaria inferior, Margen dorsal y Margen ventral describen la formación de los márgenes superior, inferior, dorsal y ventral, respectivamente. Cada variable tiene 2 valores para la presencia o ausencia del margen correspondiente, pero la variable 9 incluye 3 niveles más para describir el proceso degenerativo del margen ventral.
• Nódulo óseo describe la formación del nódulo de osificación en el margen superior. Considera 2 valores de presencia o ausencia.
• La meseta dorsal indica la presencia o ausencia de diferencia de textura entre la mitad dorsal y la mitad ventral. Por lo tanto, considera 2 valores.
• El bisel ventral describe la elevación progresiva y biselada del área ventral. Se divide en 3 niveles.

En la segunda parte del nuevo método, la evaluación se utiliza para seleccionar la fase de edad correcta. Para hacerlo, los investigadores utilizaron una técnica de IA reciente llamada NSLVOrd [4]. El resultado es un conjunto de reglas tipo SI-ENTONCES (ver Figura 3), donde la parte SI de la regla involucra uno o más valores asignados a los rasgos morfológicos, mientras que la parte ENTONCES determina a qué fase de edad se le va a asignar el individuo. Cuando se pueden aplicar varias reglas a la misma persona, se consideran todas esas reglas y la fase de edad final se determina mediante un promedio ponderado de la fase de edad proporcionada por cada regla.

Cuando se utiliza IA, la calidad de los resultados se ve afectada tanto por la calidad como por la cantidad de datos disponibles. En este estudio, los autores utilizaron la Colección de Sínfisis Púbicas del Laboratorio de Antropología Física de la UGR. La muestra procede de estudios de autopsias desarrollados a partir de 1991 en colaboración con el Instituto de Medicina Legal y Ciencias Forenses, e incluye 837 personas entre 17 y 82 años, 197 mujeres y 637 hombres. Se dispone de información detallada sobre sexo, edad, causa de muerte y, en muchos casos, información adicional como peso aproximado, consumo de alcohol o drogas y origen de la población.

Para evaluar el rendimiento del nuevo método, se realizó una comparación con otras técnicas de estimación de edad basadas en la sínfisis púbica. Una vez estimada la fase de edad, se utiliza como edad estimada la mitad del intervalo. A continuación, los resultados se miden en términos del error promedio, que es simplemente la diferencia promedia entre la edad correcta y la edad estimada. La Tabla 1 muestra los resultados de la comparación.

El nuevo método obtuvo el error promedio más bajo en la comparación: el esfuerzo de aplicar IA valió la pena. Para más detalles sobre este estudio, el artículo original está disponible aquí.

Otras mejoras: más allá de las fases de edad

Un aspecto clave del método de Todd es el uso de fases de edad en lugar de una estimación directa de la edad del individuo. Esto tenía sentido para un método que debía llevar a cabo un analista forense: el uso de diez fases ofrece un buen compromiso entre la complejidad del método y la granularidad de la estimación. Sin embargo, una vez que la IA se involucra en el proceso, ya no es necesario utilizar una pequeña cantidad de fases de edad con un diseño personalizado. En cambio, la edad se puede evaluar directamente: se puede crear una fórmula matemática para que la edad se pueda calcular a partir de los valores asignados a los rasgos morfológicos. Esta es la idea de base de un nuevo estudio realizado en la UGR. Una vez más, los investigadores utilizan la IA para encontrar la fórmula con mejor rendimiento; esto es, de hecho, un problema clásico del aprendizaje automático. Resultados preliminares muestran que el error de estimación promedio obtenido por el nuevo enfoque puede ser tan bajo como 10,8 años. Esta gran mejora en la precisión proporciona otra historia de éxito para la aplicación de IA a la antropología forense. El estudio está actualmente en proceso de publicación. Ambos métodos estarán disponibles pronto como parte del módulo de estimación del perfil biológico de Skeleton-ID.

Bibliografía

[1] T.W. Todd, Age changes in the pubic bone, Am. J. Phys. Anthropol. 3 (3) (1920) 285–328.

[2] B. Gilbert, T.W. McKern, A method for aging the female os pubis, Am. J. Phys. Anthropol. 38 (1) (1973) 31–38.

[3] Gámez, J.C., Irurita, J., González, A., Damas, S., Alemán, I., Cordón, O.: Automating the decision-making process of Todd’s age estimation method from the pubic symphysis with explainable machine learning. Information Sciences (2021).

[4] J.C. Gámez, D. García, A. González, R. Pérez, Ordinal Classification based on the Sequential Covering Strategy, Int. J. Approximate Reasoning 76 (2016) 96–110.

[5] D. Slice, B. Algee-Hewitt, Modeling bone surface morphology: A fully quantitative method for age-at-death estimation using the pubic symphysis, J. Forensic Sci. 60 (4) (2015) 835–843.

[6] D. Stoyanova, B. Algee-Hewitt, D. Slice, An enhanced computational method for age-at-death estimation based on the pubic symphysis using 3D laser scans and thin plate splines, Am. J. Phys. Anthropol. 158 (3) (2015) 431–440.

[7] D.K. Stoyanova, B.F.B. Algee-Hewitt, J. Kim, D.E. Slice, A computational framework for age-at-death estimation from the skeleton: Surface and outline analysis of 3D laser scans of the adult pubic symphysis, J. Forensic Sci. 62 (6) (2017) 1434–1444