ARTxGNN - Argentina: Reposicionamiento de Medicamentos

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

Predicciones de reposicionamiento de medicamentos para medicamentos del listado de precios de PAMI (Argentina) usando el modelo TxGNN.

Aviso legal

• Los resultados de este proyecto son solo para fines de investigacion y no constituyen consejo medico.
• Los candidatos a reposicionamiento de medicamentos requieren validacion clinica antes de su aplicacion.

Vision general del proyecto

Estadisticas de informes

Elemento	Cantidad
Informes de medicamentos	160
Predicciones totales	10,483,518
Medicamentos unicos	390
Indicaciones unicas	14,310
Datos DDI	160,235
Recursos FHIR	230 MK / 1,533 CUD

Distribucion de niveles de evidencia

Nivel de evidencia	Cantidad de informes	Descripcion
L1	3	Multiples ECAs de Fase 3
L2	3	ECA unico o multiples Fase 2
L3	8	Estudios observacionales
L4	5	Estudios preclinicos / mecanisticos
L5	139	Solo prediccion computacional
N/A	2	Solo usos conocidos (sin nuevas predicciones)

Por fuente

Fuente	Predicciones
DL	10,480,973
KG + DL	2,179
KG	366

Por confianza

Confianza	Predicciones
very_high	1,665
high	438,175
medium	780,855
low	9,262,823

---

Metodos de prediccion

Metodo	Velocidad	Precision	Requisitos
Grafo de conocimiento	Rapido (segundos)	Menor	Sin requisitos especiales
Aprendizaje profundo	Lento (horas)	Mayor	Conda + PyTorch + DGL

Metodo del grafo de conocimiento

uv run python scripts/run_kg_prediction.py

Metrica	Valor
PAMI (Medicamentos para entidades) Total de medicamentos	10,167
Mapeados a DrugBank	8,150 (80.2%)
Candidatos a reposicionamiento	2,545

Metodo de aprendizaje profundo

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

Metrica	Valor
Predicciones DL totales	765,436
Medicamentos unicos	390
Indicaciones unicas	14,310

Interpretacion de puntuaciones

La puntuacion TxGNN representa la confianza del modelo en un par farmaco-enfermedad, con un rango de 0 a 1.

Umbral	Significado
>= 0.9	Confianza muy alta
>= 0.7	Confianza alta
>= 0.5	Confianza moderada

Distribucion de puntuaciones

Umbral	Significado
≥ 0.9999	Confianza extremadamente alta, predicciones mas confiables del modelo
≥ 0.99	Confianza muy alta, vale la pena priorizar para validacion
≥ 0.9	Confianza alta
≥ 0.5	Confianza moderada (frontera de decision sigmoide)

Definiciones de niveles de evidencia

Nivel	Definicion	Significancia clinica
L1	ECA de fase 3 o revision sistematica	Puede respaldar el uso clinico
L2	ECA de fase 2	Puede considerarse para uso
L3	Fase 1 o estudio observacional	Requiere evaluacion adicional
L4	Reporte de caso o investigacion preclinica	Aun no recomendado
L5	Solo prediccion computacional, sin evidencia clinica	Requiere investigacion adicional

Recordatorios importantes

1. Las puntuaciones altas no garantizan eficacia clinica: las puntuaciones TxGNN son predicciones basadas en grafos de conocimiento que requieren validacion en ensayos clinicos.
2. Las puntuaciones bajas no significan ineficacia: el modelo puede no haber aprendido ciertas asociaciones.
3. Se recomienda usar con el pipeline de validacion: utilice las herramientas de este proyecto para revisar ensayos clinicos, literatura y otra evidencia.

Pipeline de validacion

flowchart TD
    A["Resultados de prediccion TxGNN"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Nivel de medicamento: PAMI, DDI, DrugBank"]
        B2["Nivel de indicacion: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Transferencia programatica de datos (100%)"]
        C2["+ LLM Analisis (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

---

Inicio rapido

Paso 1: Descargar datos

Archivo	Descarga
PAMI Datos	PAMI: Medicamentos para entidades
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Paso 2: Instalar dependencias

uv sync

Paso 3: Procesar datos de medicamentos

uv run python scripts/process_fda_data.py

Paso 4: Preparar datos de vocabulario

uv run python scripts/prepare_external_data.py

Paso 5: Ejecutar prediccion del grafo de conocimiento

uv run python scripts/run_kg_prediction.py

Paso 6: Configurar entorno de aprendizaje profundo

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

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