FITxGNN - Suomi: Laakkeiden uudelleenkaytto

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

Laakkeiden uudelleenkayton ennusteita EU:n keskitetyn myyntiluvan (EMA) saaneille laakkeille (Finland) TxGNN-mallilla.

Vastuuvapauslauseke

• Taemaen projektin tulokset ovat vain tutkimustarkoituksiin eivaetkae muodosta laeketieteen neuvontaa.
• Laaekkeiden uudelleenkaeytoeen ehdokkaat vaativat kliinisen validoinnin ennen soeveltamista.

Projektin yleiskatsaus

Raporttitilastot

Kohde	Maaerae
Laaekeraportteja	444
Ennusteita yhteensae	2,645,422
Ainutlaatuisia laaekkeitae	673
Ainutlaatuisia indikaatioita	17,041
DDI-tiedot	160,235
FHIR-resurssit	550 MK / 3,018 CUD

Naeytoetasojakauma

Naeytoetaso	Raporttien maaerae	Kuvaus
L1	8	Useita vaiheen 3 RCT:itae
L2	22	Yksittaeinen RCT tai useita vaiheen 2
L3	9	Havainnointitutkimuksia
L4	25	Prekliinisiaeresearchaanistisia tutkimuksia
L5	368	Vain laskennallinen ennuste
N/A	12	Vain tunnetut käytöt (ei uusia ennusteita)

Lahteen mukaan

Lahde	Ennusteita
DL	2,643,027
KG + DL	2,149
KG	246

Luottamuksen mukaan

Luottamus	Ennusteita
very_high	1,688
high	121,959
medium	243,715
low	2,278,060

---

Ennustemenetelmät

Menetelma	Nopeus	Tarkkuus	Vaatimukset
Tietograafi	Nopea (sekunteja)	Alempi	Ei erityisvaatimuksia
Syvaeopppiminen	Hidas (tunteja)	Ylempi	Conda + PyTorch + DGL

Tietograafimenetelma

uv run python scripts/run_kg_prediction.py

Mittari	Arvo
EMA (keskitetyt myyntiluvat) Laaekkeitae yhteensae	1,862
Kartoitettu DrugBankiin	1,397 (75.0%)
Uudelleenkaeytoeen ehdokkaat	2,395

Syvaoppimismenetelma

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

Mittari	Arvo
DL-ennusteita yhteensae	1,536,027
Ainutlaatuisia laaekkeitae	673
Ainutlaatuisia indikaatioita	17,041

Pistetulkinta

TxGNN-pistemaeaerae edustaa mallin luottamusta laake-sairauspariin, vaihteluvaeli 0-1.

Kynnysarvo	Merkitys
>= 0.9	Erittaein korkea luottamus
>= 0.7	Korkea luottamus
>= 0.5	Kohtalainen luottamus

Pistejakauma

Kynnysarvo	Merkitys
≥ 0.9999	Erittaein korkea luottamus, mallin varmimmat ennusteet
≥ 0.99	Hyvin korkea luottamus, kannattaa priorisoida validointiin
≥ 0.9	Korkea luottamus
≥ 0.5	Kohtalainen luottamus (sigmoid-paeaetoesraja)

Naeyttoetoasojen maeaeritelmae

Taso	Maeaeritelmae	Kliininen merkitys
L1	Vaiheen 3 RCT tai systemaattinen katsaus	Voi tukea kliinistae kaeyttoeae
L2	Vaiheen 2 RCT	Voidaan harkita kaeytoettaevaeksi
L3	Vaihe 1 tai havainnointitutkimus	Vaatii lisaeaarviointia
L4	Tapausraportti tai prekliininen tutkimus	Ei vielae suositeltu
L5	Vain laskennallinen ennuste, ei kliinistae naeyttoeae	Vaatii lisaetutkimusta

Taerkeaet muistutukset

1. Korkeat pisteet eivae takaa kliinistae tehoa: TxGNN-pisteet ovat tietograafipohjaisia ennusteita, jotka vaativat kliinisen validoinnin.
2. Matalat pisteet eivae tarkoita tehottomuutta: malli ei ehkae ole oppinut tiettyjae yhteyksia.
3. Suositellaan kaeytettaevaeksi validointiprosessin kanssa: kaeytae taemaen projektin tyoekaluja kliinisten tutkimusten, kirjallisuuden ja muun naeytoen tarkasteluun.

Validointiprosessi

flowchart TD
    A["TxGNN-ennustetulokset"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Laaeketaso: EMA, DDI, DrugBank"]
        B2["Indikaatiotaso: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Ohjelmallinen tiedonsiirto (100%)"]
        C2["+ LLM Analyysi (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

---

Pikaopas

Vaihe 1: Lataa tiedot

Tiedosto	Lataus
EMA Tiedot	EMA Medicines Report (EU:n keskitetyt myyntiluvat)
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Vaihe 2: Asenna riippuvuudet

uv sync

Vaihe 3: Kaesittele laaeketiedot

uv run python scripts/process_fda_data.py

Vaihe 4: Valmistele sanastotiedot

uv run python scripts/prepare_external_data.py

Vaihe 5: Suorita tietograafiennuste

uv run python scripts/run_kg_prediction.py

Vaihe 6: Maaeritae syvaoppimisympaeristo

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

Vaihe 7: Suorita syvaoppimisennuste

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

---

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