SETxGNN - Sverige: Lakemedelsrepositionering

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

Forutsaegelser foer lakemedelsrepositionering av MPA-godkaenda lakemedel (Sweden) med TxGNN-modellen.

Ansvarsfriskrivning

• Resultaten av detta projekt aer endast foer forskningsaendamaal och utgoer inte medicinsk raadgivning.
• Kandidater foer lakemedelsrepositionering kraever klinisk validering foere tillaempning.

Projektoeversikt

Rapportstatistik

Element	Antal
Lakemedelsrapporter	450
Totala forutsaegelser	3,672,147
Unika lakemedel	152
Unika indikationer	16,564
DDI-data	160,235
FHIR-resurser	451 MK / 2,506 CUD

Foerdelning av evidensnivaaer

Evidensnivaa	Antal rapporter	Beskrivning
L1	6	Flera Fas 3 RCT:er
L2	21	Enskild RCT eller flera Fas 2
L3	23	Observationsstudier
L4	31	Prekliniska / mekanistiska studier
L5	359	Endast beraekningsbaserad forutsaegelse
N/A	10	Endast kända användningar (inga nya prediktioner)

Per kaella

Kaella	Forutsaegelser
DL	3,671,591
KG + DL	485
KG	71

Per tillit

Tillit	Forutsaegelser
very_high	386
high	174,589
medium	363,223
low	3,133,949

---

Forutsaegelsemetoder

Metod	Hastighet	Noggrannhet	Krav
Kunskapsgraf	Snabb (sekunder)	Laegre	Inga speciella krav
Djupinlaerning	Laangsam (timmar)	Hoegre	Conda + PyTorch + DGL

Kunskapsgraf-metod

uv run python scripts/run_kg_prediction.py

Maetvaerde	Vaerde
MPA Totalt antal lakemedel	14,492
Kartlagda till DrugBank	8,534 (58.9%)
Repositioneringskandidater	556

Djupinlaerning-metod

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

Maetvaerde	Vaerde
Totala DL-forutsaegelser	1,062,125
Unika lakemedel	152
Unika indikationer	16,564

Poaengtolkning

TxGNN-poaengen representerar modellens tillit till ett lakemedels-sjukdomspar, med ett intervall fraan 0 till 1.

Troeskelvaerde	Betydelse
>= 0.9	Mycket hoeg tillit
>= 0.7	Hoeg tillit
>= 0.5	Maattlig tillit

Poaengfoerdelning

Troeskelvaerde	Betydelse
≥ 0.9999	Extremt hoegt foertroende, modellens mest saekra foeruts aegelser
≥ 0.99	Mycket hoegt foertroende, vaert att prioritera foer validering
≥ 0.9	Hoegt foertroende
≥ 0.5	Maattligt foertroende (sigmoid-beslutsgraens)

Definitioner av evidensnivaaer

Nivaa	Definition	Klinisk betydelse
L1	Fas 3 RCT eller systematisk oeeversikt	Kan stoedja klinisk anvaendning
L2	Fas 2 RCT	Kan oevervagas foer anvaendning
L3	Fas 1 eller observationsstudie	Kraever ytterligare utvaerdering
L4	Fallrapport eller preklinisk forskning	AEnnu inte rekommenderat
L5	Endast beraekningsbaserad foeruts aegelse, ingen klinisk evidens	Kraever ytterligare forskning

Viktiga paaminnelser

1. Hoega poaeng garanterar inte klinisk effektivitet: TxGNN-poaeng aer kunskapsgrafikbaserade foeruts aegelser som kraever klinisk validering.
2. Laaga poaeng betyder inte ineffektivt: modellen kanske inte har laert sig vissa samband.
3. Rekommenderas att anvaenda med valideringspipeline: anvaend detta projekts verktyg foer att granska kliniska studier, litteratur och andra bevis.

Valideringspipeline

flowchart TD
    A["TxGNN-forutsaegelseresultat"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Lakemedelsnivaa: MPA, DDI, DrugBank"]
        B2["Indikationsnivaa: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Programmatisk dataoeverfoering (100%)"]
        C2["+ LLM Analys (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

---

Snabbstart

Steg 1: Ladda ner data

Fil	Nedladdning
MPA Data	Läkemedelsverket - Läkemedelsregister
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Steg 2: Installera beroenden

uv sync

Steg 3: Behandla lakemedelsdata

uv run python scripts/process_fda_data.py

Steg 4: Foebereda vokabulaerdata

uv run python scripts/prepare_external_data.py

Steg 5: Koer kunskapsgraf-forutsaegelse

uv run python scripts/run_kg_prediction.py

Steg 6: Konfigurera djupinlaerningsmiljoe

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

Steg 7: Koer djupinlaerning-forutsaegelse

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

---

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