3D, lasery i sztuczna inteligencja na miejscu zbrodni. Jak analizuje się ślady krwi?
Grafika wygenerowana przy pomocy chat GPT
Analiza wzorów plam krwi, BPA (ang. Bloodstain Pattern Analysis) jest dziedziną kryminalistyki wykorzystującą prawa fizyki, biologii i chemii do interpretowania kształtu, wielkości, rozmieszczenia oraz położenia śladów krwi. Na ich podstawie możliwe jest między innymi określenie tak zwanego obszaru pochodzenia AO (ang. Area of Origin), czyli trójwymiarowej przestrzeni, z której krew została wyrzucona. Informacje te mogą pomagać w rekonstrukcji przebiegu zdarzenia i ocenie zgodności śladów z przedstawianymi wersjami wydarzeń. W ostatnich latach klasyczne techniki, takie jak ręczne wyznaczanie trajektorii za pomocą nitek, są coraz częściej uzupełniane przez skanowanie 3D, fotogrametrię, oprogramowanie komputerowe i algorytmy uczenia maszynowego. W dzisiejszym artykule przytoczymy bardzo ciekawy przegląd Balbudhe i in. (2026), którego celem było sprawdzenie, jak skuteczne są rozwiązania stosujące nowe technologie w porównaniu z metodami tradycyjnymi.
Badacze nie wykonali własnego eksperymentu laboratoryjnego, lecz przeanalizowali wyniki wcześniejszych badań eksperymentalnych. Wyszukiwanie literatury przeprowadzono w bazach Embase, Scopus i PubMed, obejmując publikacje od 1 stycznia 2008 do 31 grudnia 2024 roku. Analizowane badania obejmowały bardzo różne sposoby tworzenia i badania śladów krwi. W eksperymentach wykorzystywano między innymi krew świńską lub owczą, ponieważ jej właściwości przepływowe mogą przypominać zachowanie krwi ludzkiej, a także syntetyczne substytuty krwi. Plamy wytwarzano przy użyciu urządzeń generujących uderzenia o prędkości około 1–10 m/s. Badacze analizowali ślady znajdujące się na gładkich ścianach, tkaninach, takich jak bawełna i denim, a także na powierzchniach porowatych, na przykład betonie i drewnie, oraz powierzchniach nieregularnych, zakrzywionych lub ustawionych pod różnymi kątami. Szczególne znaczenie miało sprawdzanie, czy poszczególne metody prawidłowo wyznaczają AO, rekonstruują trajektorie kropli i rozpoznają rodzaj wzoru, na przykład wzór powstały w wyniku uderzenia lub tak zwany cast-off, czyli ślady krwi powstające podczas gwałtownego ruchu zakrwawionego przedmiotu.
Największą grupę analizowanych technologii stanowiły rozwiązania cyfrowe. Należały do nich między innymi HemoSpat, HemoVision, BackTrack oraz systemy FARO wykorzystujące skanowanie przestrzenne. HemoVision umożliwia automatyczne tworzenie trójwymiarowej rekonstrukcji rozmieszczenia plam, natomiast systemy FARO wykorzystują skanowanie laserowe do odtworzenia geometrii miejsca zdarzenia. BackTrack i HemoSpat służą między innymi do analizy trajektorii i wyznaczania obszaru pochodzenia. W badaniach porównawczych rozwiązania cyfrowe zazwyczaj osiągały mniejsze błędy niż ręczne wyznaczanie trajektorii. W syntezie Balbudhe i współpracowników typowe błędy wyznaczania AO dla metod cyfrowych mieściły się w przybliżeniu w zakresie 1–10 cm, podczas gdy dla klasycznych metod manualnych wynosiły około 10–20 cm.
Szczególnie interesujące wyniki uzyskano dla HemoVision. W badaniu Jorisa i współpracowników z 2015 roku średni błąd rekonstrukcji wynosił 1,3 mm. W innym badaniu dotyczącym HemoVision, opublikowanym w 2024 roku, mediana błędu geometrii 3D była mniejsza niż 3 mm, natomiast błąd określenia obszaru pochodzenia wynosił 8,12 cm. W przypadku skanowania laserowego FARO Hakim i Liscio odnotowali odchylenia wynoszące 3,49 cm w osi X, 1,14 cm w osi Y oraz 9,08 cm w osi Z. Wyniki te pokazują jednocześnie mocną i słabą stronę cyfrowej rekonstrukcji. Precyzja może być bardzo wysoka, ale nie jest jednakowa we wszystkich kierunkach przestrzeni. Szczególnie problematyczna okazuje się współrzędna Z, czyli wysokość, zwłaszcza gdy ślady znajdują się na powierzchniach zakrzywionych lub nieregularnych.
Kolejnym kierunkiem rozwoju jest wykorzystanie uczenia maszynowego ML (ang. Machine Learning). Jest to metoda, w której komputer uczy się rozpoznawać określone wzorce na podstawie dużej liczby wcześniej oznaczonych danych. W analizie śladów krwi może to oznaczać automatyczne rozróżnianie różnych typów wzorów bez konieczności ręcznego oceniania każdej plamy przez analityka. W jednym z analizowanych badań system osiągnął około 92% poprawności klasyfikacji wzorów. Liu i współpracownicy badali automatyczną klasyfikację śladów powstałych w wyniku postrzału oraz tępego uderzenia, wykorzystując wzory generowane w różnych odległościach. Takie rozwiązania są szczególnie interesujące dlatego, że mogą analizować bardzo duże zbiory danych i ograniczać część zmienności wynikającej z indywidualnej interpretacji obserwatora.
Nie oznacza to jednak, że tradycyjne metody stały się bezużyteczne. Ręczne wyznaczanie trajektorii za pomocą nitek jest stosunkowo tanie i może być zastosowane bez zaawansowanej aparatury. Jest więc szczególnie przydatne w miejscach, gdzie dostęp do technologii cyfrowych jest ograniczony. Z kolei luminol, czyli substancja wykazująca chemiluminescencję w obecności odpowiednich składników reakcji, może ujawniać niewidoczne gołym okiem pozostałości krwi. W analizowanych badaniach metoda ta była szczególnie przydatna w wykrywaniu śladów ukrytych pod sadzą, również w miejscach dotkniętych pożarem. Problem polega na tym, że luminol może wskazać obecność potencjalnych śladów krwi, ale sam w sobie nie pozwala wiarygodnie odtworzyć mechanizmu powstania całego wzoru.
Jednym z najważniejszych problemów technologii cyfrowych pozostaje sposób modelowania ruchu kropli. Wiele systemów zakłada liniową trajektorię, czyli upraszcza drogę kropli do linii prostej. W rzeczywistości na jej ruch wpływają między innymi grawitacja oraz opór powietrza. Takie uproszczenie może prowadzić do zwiększenia błędów, szczególnie podczas analizy powierzchni zakrzywionych, porowatych lub obejmujących kilka ścian. Autorzy przeglądu wskazują, że modele nieliniowe, uwzględniające rzeczywiste oddziaływania fizyczne, są jednym z istotnych kierunków przyszłych badań. Problemem pozostaje również to, że większość eksperymentów wykonuje się w kontrolowanych warunkach laboratoryjnych, a nie na rzeczywistych miejscach zdarzeń.
Istotne ograniczenie stanowi także brak jednolitych standardów. Różne laboratoria i systemy prawne mogą stosować odmienne procedury, terminologię i wymagania dotyczące dopuszczalności dowodów. Dodatkowo cyfrowe systemy wymagają odpowiedniego sprzętu, oprogramowania i wyszkolenia operatorów. Tradycyjne metody są bardziej podatne na różnice między obserwatorami, natomiast systemy cyfrowe nie eliminują automatycznie wszystkich błędów. W przypadku skomplikowanych powierzchni również mogą generować znaczne odchylenia. Dlatego autorzy nie proponują całkowitego zastąpienia metod manualnych technologią cyfrową, lecz raczej rozwój procedur hybrydowych, w których oba podejścia wzajemnie się uzupełniają.
Z przeprowadzonej syntezy wynika więc, że cyfrowa analiza wzorów plam krwi oferuje większą precyzję i możliwość automatyzacji niż klasyczne techniki, szczególnie podczas rekonstrukcji trójwymiarowej i klasyfikacji wzorów. Nie jest jednak technologią wolną od ograniczeń. Największym wyzwaniem pozostają nieregularne powierzchnie, uproszczone modele trajektorii, brak jednolitych standardów oraz niedostateczna liczba walidacji przeprowadzonych w rzeczywistych warunkach. Najbardziej racjonalnym kierunkiem wydaje się obecnie połączenie cyfrowej rekonstrukcji 3D i metod automatycznych z tradycyjnymi technikami wykrywania i dokumentowania śladów.
Literatura:
Balbudhe M.S., Shetty B.S.K., Kumar N.A., Holla R., Render R., Mithal D. (2026). Comparison between digital and non-digital bloodstain pattern analysis methods: a scoping review. Egyptian Journal of Forensic Sciences, 16(13), 1-10.
Buck U., Kneubuehl B., Näther S., Albertini N., Schmidt L., Thali M. (2011). 3D bloodstain pattern analysis: ballistic reconstruction of the trajectories of blood drops and determination of the centres of origin of the bloodstains. Forensic Science International, 206(1-3), 22-28.
de Bruin K.G., Stoel R.D., Limborgh J.C.M. (2011). Improving the point of origin determination in bloodstain pattern analysis. Journal of Forensic Sciences, 56(6), 1476-1482.
Esaias O., Noonan G.W., Everist S., Roberts M., Thompson C., Krosch M.N. (2020). Improved area of origin estimation for bloodstain pattern analysis using 3D scanning. Journal of Forensic Sciences, 65(3), 722-728.
