Metodikk
Samlet arbeidsflyt
Plattformen bruker en arbeidsflyt i fire trinn: TxGNN-kunnskapsgrafmodellen predikerer potensielle sammenhenger mellom legemiddel og sykdom, deretter samles det automatisk inn evidens for hvert predikerte par, evidensen graderes fra L1 til L5, og til slutt gis en beslutningsanbefaling.
- TxGNN-prediksjon: relasjoner mellom legemiddel og sykdom predikeres med en kunnskapsgraf kombinert med grafnevrale nettverk.
- Evidensinnsamling: for hvert predikerte par hentes evidens fra ClinicalTrials.gov, PubMed, DrugBank og DMP.
- Evidensgradering: gradert fra L1 til L5, der L1 er sterkest (flere fase 3-RCT-er) og L5 kun er en modellprediksjon.
- Beslutningsanbefaling: Go, Proceed, Consider, Explore eller Hold, basert på evidensnivået.
Kriterier for evidensgradering
| Nivå | Definisjon | Klinisk betydning |
|---|---|---|
| L1 | Flere fase 3-RCT-er / systematiske oversikter | Sterk støtte; klinisk bruk kan vurderes |
| L2 | Én enkelt RCT eller flere fase 2-studier | Moderat støtte; valideringsstudier kan utformes |
| L3 | Observasjonsstudier / store kasusserier | Foreløpig støtte; krever ytterligere validering |
| L4 | Prekliniske / mekanistiske studier | Teoretisk støtte; langt fra klinisk bruk |
| L5 | Kun modellprediksjon | Hypotesestadiet; ingen human evidens ennå |
Prediksjon med dobbel motor
To metoder kjører parallelt, og en konfidensmerkelapp registrerer om de er enige:
| Metode | Hastighet | Presisjon | Beskrivelse |
|---|---|---|---|
| Kunnskapsgraf (KG) | Rask | Lavere | Slutninger basert på DrugBank-relasjoner og grafstruktur |
| Dyp læring (DL) | Langsom | Høyere | TxGNN grafnevralt nettverk |
| Konfidens | Kilde | Betydning |
|---|---|---|
| very_high | KG + DL | Begge metodene er enige |
| high | Kun DL | Støtte fra dyp læring med høy skår |
| medium | Kun KG | Støtte fra kunnskapsgraf |
Integrasjon av regulatoriske data
Data om legemiddelgodkjenning i Norge kommer fra DMP. Navn på virkestoffer kobles mot DrugBank-vokabularet; virkestoffer som ikke lar seg koble — plantebaserte ekstrakter, vaksiner, hjelpestoffer og annet som ikke er katalogisert av DrugBank — utelates fra prediksjonen.
Begrensninger
- Prediksjoner er statistiske sammenhenger og innebærer ikke årsakssammenheng eller klinisk effekt.
- Vurderingen L5 betyr kun modellprediksjon, uten støttende evidens fra mennesker.
- Evidensinnsamlingen er avhengig av offentlige databaser; upubliserte eller uindekserte studier fanges ikke opp.
- Kobling av virkestoffer kan gå glipp av oppføringer på grunn av forskjeller i navngivning.
Om utvikleren
Denne plattformen er utviklet og drives av 藥提醒科技有限公司 (yao.care, organisasjonsnummer 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
NOTxGNN er Norge-nettstedet i selskapets produktlinje «TxGNN Drug Repurposing».
Det samme systemet er satt i drift i 30 land og regioner, hvert med navnet {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN og så videre) på {cc}txgnn.yao.care.
Produktoversikt: https://www.yao.care/medical/txgnn/.
Selve TxGNN-modellen ble utviklet av Zitnik Lab ved Harvard Medical School og publisert i Nature Medicine. Denne plattformen er produksjonssystemet som 藥提醒科技有限公司 har bygget oppå den modellen, og omfatter integrasjon av nasjonale legemiddelregistreringsdata, dobbel prediksjon med kunnskapsgraf og dyp læring, evidensgradering fra PubMed / ClinicalTrials samt integrasjon mot elektronisk pasientjournal via SMART on FHIR.
Denne rapporten er kun ment som referanse for akademisk forskning og utgjør ikke medisinske råd. Følg alltid legens anvisninger; juster aldri medisineringen på egen hånd. Enhver beslutning om legemiddelreposisjonering krever fullstendig klinisk validering og regulatorisk gjennomgang.
Gjennomgått av: 藥提醒科技有限公司 (yao.care)