DkTxGNN - Danmark: Laegemiddelrepositionering

本專案由 藥提醒科技有限公司（yao.care）開發與維運。 DkTxGNN 站台：https://dktxgnn.yao.care/｜產品總覽：https://www.yao.care/medical/txgnn/

Forudsigelser for laegemiddelrepositionering af DKMA-godkendte laegemidler (Denmark) ved hjaelp af TxGNN-modellen.

Ansvarsfraskrivelse

• Resultaterne af dette projekt er kun til forskningsformaal og udgoer ikke medicinsk raadgivning.
• Kandidater til laegemiddelrepositionering kraever klinisk validering foer anvendelse.

Projektoversigt

Rapportstatistikker

Element	Antal
Laegemiddelrapporter	807
Samlede forudsigelser	11,010,010
Unikke laegemidler	1,074
Unikke indikationer	17,081
DDI-data	160,235
FHIR-ressourcer	846 MK / 4,871 CUD

Fordeling af evidensniveauer

Evidensniveau	Antal rapporter	Beskrivelse
L1	13	Flere Fase 3 RCT'er
L2	31	Enkelt RCT eller flere Fase 2
L3	22	Observationelle studier
L4	48	Praekliniske / mekanistiske studier
L5	632	Kun computationel forudsigelse
N/A	61	Kun kendte anvendelser (ingen nye forudsigelser)

Efter kilde

Kilde	Forudsigelser
KG	7,257,992
DL	2,458,467
KG + DL	1,293,551

Efter tillid

Tillid	Forudsigelser
very_high	56,640
high	1,363,804
medium	7,543,635
low	2,045,931

---

Forudsigelsesmetoder

Metode	Hastighed	Noejagtighed	Krav
Vidensgraf	Hurtig (sekunder)	Lavere	Ingen saerlige krav
Deep Learning	Langsom (timer)	Hoejere	Conda + PyTorch + DGL

Vidensgraf-metode

uv run python scripts/run_kg_prediction.py

Metrik	Vaerdi
DKMA Samlet antal laegemidler	3,336
Repositioneringskandidater	8,551,543

Deep Learning-metode

conda activate txgnn
PYTHONPATH=src python -m dktxgnn.predict.txgnn_model

Metrik	Vaerdi
Samlede DL-forudsigelser	2,324,682
Unikke laegemidler	1,074
Unikke indikationer	17,081

Scorefortolkning

TxGNN-scoren repraesenterer modellens tillid til et laegemiddel-sygdomspar, med et interval fra 0 til 1.

Taerskelvaerdi	Betydning
>= 0.9	Meget hoej tillid
>= 0.7	Hoej tillid
>= 0.5	Moderat tillid

Scorefordeling

Taerskelvaerdi	Betydning
≥ 0.9999	Ekstremt hoej tillid, modellens mest sikre forudsigelser
≥ 0.99	Meget hoej tillid, vaerd at prioritere til validering
≥ 0.9	Hoej tillid
≥ 0.5	Moderat tillid (sigmoid-beslutningsgraense)

Definitioner af evidensniveauer

Niveau	Definition	Klinisk betydning
L1	Fase 3 RCT eller systematisk gennemgang	Kan understoette klinisk brug
L2	Fase 2 RCT	Kan overvejes til brug
L3	Fase 1 eller observationsstudie	Kraever yderligere evaluering
L4	Sagsrapport eller praeklinisk forskning	Endnu ikke anbefalet
L5	Kun beregningsbaseret forudsigelse, ingen klinisk evidens	Kraever yderligere forskning

Vigtige paamindelser

1. Hoeje scorer garanterer ikke klinisk effektivitet: TxGNN-scorer er vidensgrafikbaserede forudsigelser, der kraever klinisk validering.
2. Lave scorer betyder ikke ineffektiv: modellen har muligvis ikke laert visse associationer.
3. Anbefales at bruge med valideringspipeline: brug dette projekts vaerktojer til at gennemgaa kliniske forsoeg, litteratur og anden evidens.

Valideringspipeline

flowchart TD
    A["TxGNN-forudsigelsesresultater"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Laegemiddelniveau: DKMA, DDI, DrugBank"]
        B2["Indikationsniveau: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Programmatisk dataoverfoersel (100%)"]
        C2["+ LLM Analyse (L1-L5)"]
    end
    C --> |"drug_evidence_pack.json/md"| D
    subgraph D["Step 3: Notes Writer"]
        D1["drug_pharmacist_notes.md"]
        D2["drug_sponsor_notes.md"]
    end

---

Hurtigstart

Trin 1: Download data

Fil	Download
DKMA Data	Datakilde
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Trin 2: Installer afhaengigheder

uv sync

Trin 3: Behandl laegemiddeldata

uv run python scripts/process_fda_data.py

Trin 4: Forbered ordforraadsdata

uv run python scripts/prepare_external_data.py

Trin 5: Koer vidensgraf-forudsigelse

uv run python scripts/run_kg_prediction.py

Trin 6: Opsaet Deep Learning-miljoe

conda create -n txgnn python=3.11 -y
conda activate txgnn
pip install torch==2.2.2 torchvision==0.17.2
pip install dgl==1.1.3
pip install git+https://github.com/mims-harvard/TxGNN.git
pip install pandas tqdm pyyaml pydantic ogb

Trin 7: Koer Deep Learning-forudsigelse

conda activate txgnn
PYTHONPATH=src python -m dktxgnn.predict.txgnn_model

---

Ressourcer

TxGNN Kerne

• TxGNN Paper - Nature Medicine, 2024
• TxGNN GitHub
• TxGNN Explorer

This is the beginning of the README. Read the rest at the original. Read the full README ↗