BrTxGNN - Brasil: Reposicionamento de Medicamentos

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

Predicoes de reposicionamento de medicamentos para medicamentos aprovados pela ANVISA (Brazil) usando o modelo TxGNN.

Aviso

• Os resultados deste projeto sao apenas para fins de pesquisa e nao constituem aconselhamento medico.
• Candidatos a reposicionamento de medicamentos requerem validacao clinica antes da aplicacao.

Visao geral do projeto

Estatisticas de relatorios

Item	Quantidade
Relatorios de medicamentos	517
Predicoes totais	20,252,111
Medicamentos unicos	1,037
Indicacoes unicas	17,041
Dados DDI	160,235
Recursos FHIR	988 MK / 2,698 CUD

Distribuicao dos niveis de evidencia

Nivel de evidencia	Quantidade de relatorios	Descricao
L1	4	Multiplos ECRs de Fase 3
L2	21	ECR unico ou multiplos Fase 2
L3	23	Estudos observacionais
L4	30	Estudos pre-clinicos / mecanisticos
L5	395	Apenas predicao computacional
N/A	44	Apenas usos conhecidos (sem novas previsões)

Por fonte

Fonte	Predicoes
DL	20,249,707
KG + DL	2,081
KG	323

Por confianca

Confianca	Predicoes
very_high	1,522
high	982,685
medium	1,990,650
low	17,277,254

---

Metodos de predicao

Metodo	Velocidade	Precisao	Requisitos
Grafo de conhecimento	Rapido (segundos)	Menor	Sem requisitos especiais
Aprendizado profundo	Lento (horas)	Maior	Conda + PyTorch + DGL

Metodo do grafo de conhecimento

uv run python scripts/run_kg_prediction.py

Metrica	Valor
ANVISA Total de medicamentos	14,150
Mapeados para DrugBank	11,133 (78.7%)
Candidatos a reposicionamento	2,404

Metodo de aprendizado profundo

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

Metrica	Valor
Predicoes DL totais	2,138,252
Medicamentos unicos	1,037
Indicacoes unicas	17,041

Interpretacao de pontuacoes

A pontuacao TxGNN representa a confianca do modelo em um par farmaco-doenca, variando de 0 a 1.

Limiar	Significado
>= 0.9	Confianca muito alta
>= 0.7	Confianca alta
>= 0.5	Confianca moderada

Distribuicao de pontuacoes

Limite	Significado
≥ 0.9999	Confianca extremamente alta, predicoes mais confiantes do modelo
≥ 0.99	Confianca muito alta, vale priorizar para validacao
≥ 0.9	Confianca alta
≥ 0.5	Confianca moderada (fronteira de decisao sigmoide)

Definicoes dos niveis de evidencia

Nivel	Definicao	Significancia clinica
L1	ECR de fase 3 ou revisao sistematica	Pode apoiar o uso clinico
L2	ECR de fase 2	Pode ser considerado para uso
L3	Fase 1 ou estudo observacional	Requer avaliacao adicional
L4	Relato de caso ou pesquisa pre-clinica	Ainda nao recomendado
L5	Apenas predicao computacional, sem evidencia clinica	Requer pesquisa adicional

Lembretes importantes

1. Pontuacoes altas nao garantem eficacia clinica: as pontuacoes TxGNN sao predicoes baseadas em grafos de conhecimento que requerem validacao em ensaios clinicos.
2. Pontuacoes baixas nao significam ineficacia: o modelo pode nao ter aprendido certas associacoes.
3. Recomendado usar com o pipeline de validacao: utilize as ferramentas deste projeto para revisar ensaios clinicos, literatura e outras evidencias.

Pipeline de validacao

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

Passo 1: Baixar dados

Arquivo	Download
ANVISA Dados	Dados Abertos ANVISA - Medicamentos Registrados
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Passo 2: Instalar dependencias

uv sync

Passo 3: Processar dados de medicamentos

uv run python scripts/process_fda_data.py

Passo 4: Preparar dados de vocabulario

uv run python scripts/prepare_external_data.py

Passo 5: Executar predicao do grafo de conhecimento

uv run python scripts/run_kg_prediction.py

Passo 6: Configurar ambiente de aprendizado 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

Passo 7: Executar predicao de aprendizado profundo

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

---

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