Metodik
Övergripande arbetsflöde
Plattformen använder ett arbetsflöde i fyra steg: TxGNN-kunskapsgrafmodellen predikterar potentiella samband mellan läkemedel och sjukdom, därefter samlas evidens automatiskt in för varje prediktion, evidensen graderas från L1 till L5, och slutligen utfärdas en beslutsrekommendation.
- TxGNN-prediktion: samband mellan läkemedel och sjukdom predikteras med en kunskapsgraf i kombination med grafneurala nätverk.
- Evidensinsamling: för varje prediktion samlas evidens in från ClinicalTrials.gov, PubMed, DrugBank och MPA.
- Evidensgradering: graderas L1 till L5, där L1 är starkast (flera fas 3-RCT) och L5 endast är en modellprediktion.
- Beslutsrekommendation: Go, Proceed, Consider, Explore eller Hold, baserat på evidensnivån.
Kriterier för evidensgradering
| Nivå | Definition | Klinisk innebörd |
|---|---|---|
| L1 | Flera fas 3-RCT / systematiska översikter | Starkt stöd; klinisk användning kan övervägas |
| L2 | Enstaka RCT eller flera fas 2-prövningar | Måttligt stöd; valideringsstudier kan utformas |
| L3 | Observationsstudier / stora fallserier | Preliminärt stöd; kräver ytterligare validering |
| L4 | Prekliniska / mekanistiska studier | Teoretiskt stöd; långt från klinisk användning |
| L5 | Endast modellprediktion | Hypotesstadiet; ännu ingen evidens från människa |
Prediktion med dubbla motorer
Två metoder körs parallellt, och en konfidensetikett anger om de överensstämmer:
| Metod | Hastighet | Precision | Beskrivning |
|---|---|---|---|
| Kunskapsgraf (KG) | Snabb | Lägre | Inferens över DrugBank-relationer och grafstruktur |
| Djupinlärning (DL) | Långsam | Högre | TxGNN grafneurala nätverksmodell |
| Konfidens | Källa | Innebörd |
|---|---|---|
| very_high | KG + DL | Båda metoderna överensstämmer |
| high | Endast DL | Högt poängsatt stöd från djupinlärning |
| medium | Endast KG | Stöd från kunskapsgrafen |
Integration av regulatoriska data
Läkemedelsgodkännandedata för Sverige kommer från MPA. Substansnamn mappas till DrugBanks vokabulär; substanser som inte kan mappas — växtextrakt, vacciner, hjälpämnen och annat som inte katalogiserats av DrugBank — utesluts från prediktionen.
Begränsningar
- Prediktionerna är statistiska samband och innebär inte orsakssamband eller klinisk effekt.
- En L5-bedömning betyder endast modellprediktion, utan stödjande evidens från människa.
- Evidensinsamlingen bygger på offentliga databaser; opublicerade eller oindexerade studier fångas inte upp.
- Substansmappningen kan missa poster på grund av skillnader i namngivning.
Om utvecklaren
Denna plattform utvecklas och drivs av 藥提醒科技有限公司 (yao.care, organisationsnummer 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
SETxGNN är Sverige-webbplatsen i företagets produktlinje "TxGNN Drug Repurposing".
Samma system är driftsatt i 30 länder och regioner, vart och ett med namnet {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN och så vidare) på {cc}txgnn.yao.care.
Produktöversikt: https://www.yao.care/medical/txgnn/.
Själva TxGNN-modellen utvecklades av Zitnik Lab vid Harvard Medical School och publicerades i Nature Medicine. Denna plattform är det produktionssystem som 藥提醒科技有限公司 har byggt ovanpå den modellen, och omfattar integration av nationella läkemedelsregistreringsdata, dubbel prediktion med kunskapsgraf och djupinlärning, evidensgradering från PubMed / ClinicalTrials samt integration med elektroniska patientjournaler via SMART on FHIR.
Denna rapport är endast avsedd som referens för akademisk forskning och utgör inte medicinsk rådgivning. Följ alltid din läkares anvisningar; justera aldrig din medicinering på egen hand. Varje beslut om läkemedelsrepositionering kräver fullständig klinisk validering och regulatorisk granskning.
Granskad av: 藥提醒科技有限公司 (yao.care)