Metode
Samlet pipeline
Platformen anvender en pipeline i fire trin: TxGNN-videngrafmodellen forudsiger potentielle associationer mellem lægemiddel og sygdom, derefter indsamles der automatisk evidens for hvert forudsagt par, evidensen graderes fra L1 til L5, og til sidst udstedes en beslutningsanbefaling.
- TxGNN-forudsigelse: relationer mellem lægemiddel og sygdom forudsiges med en videngraf kombineret med grafbaserede neurale netværk.
- Evidensindsamling: for hvert forudsagt par indsamles evidens fra ClinicalTrials.gov, PubMed, DrugBank og DKMA.
- Evidensgradering: gradering fra L1 til L5, hvor L1 er stærkest (flere fase 3-RCT'er) og L5 kun er en modelforudsigelse.
- Beslutningsanbefaling: Go, Proceed, Consider, Explore eller Hold, baseret på evidensniveauet.
Kriterier for evidensgradering
| Niveau | Definition | Klinisk betydning |
|---|---|---|
| L1 | Flere fase 3-RCT'er / systematiske oversigter | Stærk understøttelse; klinisk anvendelse kan overvejes |
| L2 | Enkelt RCT eller flere fase 2-forsøg | Moderat understøttelse; valideringsforsøg kan designes |
| L3 | Observationsstudier / store caseserier | Foreløbig understøttelse; kræver yderligere validering |
| L4 | Prækliniske / mekanistiske studier | Teoretisk understøttelse; langt fra klinisk anvendelse |
| L5 | Kun modelforudsigelse | Hypotesestadie; endnu ingen evidens fra mennesker |
Forudsigelse med dobbelt motor
To metoder kører parallelt, og en konfidensmarkering registrerer, om de er enige:
| Metode | Hastighed | Præcision | Beskrivelse |
|---|---|---|---|
| Videngraf (KG) | Hurtig | Lavere | Inferens over DrugBank-relationer og grafstruktur |
| Deep learning (DL) | Langsom | Højere | TxGNN grafbaseret neuralt netværk |
| Konfidens | Kilde | Betydning |
|---|---|---|
| very_high | KG + DL | Begge metoder er enige |
| high | Kun DL | Højtscorende understøttelse fra deep learning |
| medium | Kun KG | Understøttelse fra videngraf |
Integration af myndighedsdata
Data om lægemiddelgodkendelser i Danmark kommer fra DKMA. Navne på indholdsstoffer mappes til DrugBank-vokabularet; indholdsstoffer, der ikke kan mappes — planteekstrakter, vacciner, hjælpestoffer og andet, der ikke er katalogiseret af DrugBank — udelades fra forudsigelsen.
Begrænsninger
- Forudsigelser er statistiske associationer og indebærer ikke kausalitet eller klinisk effekt.
- En L5-vurdering betyder, at der kun foreligger en modelforudsigelse uden understøttende evidens fra mennesker.
- Evidensindsamlingen afhænger af offentlige databaser; upublicerede eller ikke-indekserede studier fanges ikke.
- Mapning af indholdsstoffer kan overse elementer på grund af forskelle i navngivning.
Om udvikleren
Denne platform er udviklet og drives af 藥提醒科技有限公司 (yao.care, virksomhedsregistreringsnummer 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
DkTxGNN er Danmarks-sitet i virksomhedens produktlinje “TxGNN Drug Repurposing”.
Det samme system er udrullet i 30 lande og regioner, hver med navnet {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN og så videre) på {cc}txgnn.yao.care.
Produktoversigt: https://www.yao.care/medical/txgnn/.
Selve TxGNN-modellen er udviklet af Zitnik Lab ved Harvard Medical School og offentliggjort i Nature Medicine. Denne platform er det produktionssystem, 藥提醒科技有限公司 har bygget oven på den model, og dækker integration af nationale lægemiddelregistreringsdata, dobbelt forudsigelse med videngraf og deep learning, evidensgradering ud fra PubMed / ClinicalTrials samt SMART on FHIR-integration med elektroniske patientjournaler.
Denne rapport er udelukkende til akademisk forskningsreference og udgør ikke medicinsk rådgivning. Følg altid din læges anvisninger; juster aldrig din medicin på egen hånd. Enhver beslutning om lægemiddelrepositionering kræver fuld klinisk validering og myndighedsgodkendelse.
Gennemgået af: 藥提醒科技有限公司 (yao.care)