ITTxGNN - Italia: Riposizionamento dei Farmaci

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

Previsioni di riposizionamento di farmaci per i farmaci di classe A e H delle liste AIFA (Italy) utilizzando il modello TxGNN.

Avvertenza

• I risultati di questo progetto sono solo a scopo di ricerca e non costituiscono consulenza medica.
• I candidati al riposizionamento dei farmaci richiedono una validazione clinica prima dell'applicazione.

Panoramica del progetto

Statistiche dei rapporti

Elemento	Quantita
Rapporti sui farmaci	436
Previsioni totali	14,239,352
Farmaci unici	596
Indicazioni uniche	16,996
Dati DDI	160,235
Risorse FHIR	505 MK / 2,725 CUD

Distribuzione dei livelli di evidenza

Livello di evidenza	Numero di rapporti	Descrizione
L1	7	Multipli RCT di Fase 3
L2	12	RCT singolo o multipli Fase 2
L3	17	Studi osservazionali
L4	24	Studi preclinici / meccanicistici
L5	358	Solo previsione computazionale
N/A	18	Solo usi noti (nessuna nuova previsione)

Per fonte

Fonte	Previsioni
DL	14,237,492
KG + DL	1,617
KG	243

Per fiducia

Fiducia	Previsioni
very_high	1,263
high	652,195
medium	1,154,187
low	12,431,707

---

Metodi di previsione

Metodo	Velocita	Precisione	Requisiti
Grafo di conoscenza	Veloce (secondi)	Inferiore	Nessun requisito speciale
Deep Learning	Lento (ore)	Superiore	Conda + PyTorch + DGL

Metodo del grafo di conoscenza

uv run python scripts/run_kg_prediction.py

Metrica	Valore
Liste AIFA classe A e H Totale farmaci	11,639
Mappati a DrugBank	10,558 (90.7%)
Candidati al riposizionamento	1,860

Metodo di deep learning

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

Metrica	Valore
Previsioni DL totali	1,023,414
Farmaci unici	596
Indicazioni uniche	16,996

Interpretazione dei punteggi

Il punteggio TxGNN rappresenta la fiducia del modello in una coppia farmaco-malattia, con un range da 0 a 1.

Soglia	Significato
>= 0.9	Fiducia molto alta
>= 0.7	Fiducia alta
>= 0.5	Fiducia moderata

Distribuzione dei punteggi

Soglia	Significato
≥ 0.9999	Confidenza estremamente alta, previsioni piu sicure del modello
≥ 0.99	Confidenza molto alta, da prioritizzare per la validazione
≥ 0.9	Confidenza alta
≥ 0.5	Confidenza moderata (confine decisionale sigmoide)

Definizioni dei livelli di evidenza

Livello	Definizione	Significato clinico
L1	RCT di fase 3 o revisione sistematica	Puo supportare l'uso clinico
L2	RCT di fase 2	Puo essere considerato per l'uso
L3	Fase 1 o studio osservazionale	Richiede ulteriore valutazione
L4	Report di caso o ricerca preclinica	Non ancora raccomandato
L5	Solo previsione computazionale, nessuna evidenza clinica	Richiede ulteriore ricerca

Promemoria importanti

1. Punteggi alti non garantiscono efficacia clinica: i punteggi TxGNN sono previsioni basate su grafi di conoscenza che richiedono validazione tramite studi clinici.
2. Punteggi bassi non significano inefficacia: il modello potrebbe non aver appreso certe associazioni.
3. Si consiglia l'uso con la pipeline di validazione: utilizzare gli strumenti di questo progetto per esaminare studi clinici, letteratura e altre prove.

Pipeline di validazione

flowchart TD
    A["Risultati di previsione TxGNN"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Livello farmaco: AIFA, DDI, DrugBank"]
        B2["Livello indicazione: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Trasferimento dati programmatico (100%)"]
        C2["+ LLM Analisi (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

---

Avvio rapido

Passo 1: Scaricare i dati

File	Download
AIFA Dati	AIFA - Liste Farmaci Classe A e H
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Passo 2: Installare le dipendenze

uv sync

Passo 3: Elaborare i dati sui farmaci

uv run python scripts/process_fda_data.py

Passo 4: Preparare i dati del vocabolario

uv run python scripts/prepare_external_data.py

Passo 5: Eseguire la previsione del grafo di conoscenza

uv run python scripts/run_kg_prediction.py

Passo 6: Configurare l'ambiente di deep learning

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

Passo 7: Eseguire la previsione di deep learning

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

---

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