NlTxGNN - Nederland: Herpositionering van Geneesmiddelen

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

Voorspellingen voor herpositionering van geneesmiddelen voor door CBG-MEB (Netherlands) goedgekeurde geneesmiddelen met het TxGNN-model.

Disclaimer

• De resultaten van dit project zijn uitsluitend voor onderzoeksdoeleinden en vormen geen medisch advies.
• Kandidaten voor herpositionering van geneesmiddelen vereisen klinische validatie voor toepassing.

Projectoverzicht

Rapportstatistieken

Item	Aantal
Geneesmiddelrapporten	334
Totale voorspellingen	3,189,049
Unieke geneesmiddelen	430
Unieke indicaties	17,081
DDI-gegevens	160,235
FHIR-bronnen	367 MK / 2,469 CUD

Verdeling bewijsniveaus

Bewijsniveau	Aantal rapporten	Beschrijving
L1	3	Meerdere Fase 3 RCT's
L2	20	Enkele RCT of meerdere Fase 2
L3	15	Observationele studies
L4	25	Preklinische / mechanistische studies
L5	259	Alleen computationele voorspelling
N/A	12	Alleen bekend gebruik (geen nieuwe voorspellingen)

Per bron

Bron	Voorspellingen
KG	2,231,733
DL	716,068
KG + DL	241,248

Per vertrouwen

Vertrouwen	Voorspellingen
very_high	10,405
high	270,371
medium	2,294,414
low	613,859

---

Voorspellingsmethoden

Methode	Snelheid	Nauwkeurigheid	Vereisten
Kennisgrafiek	Snel (seconden)	Lager	Geen speciale vereisten
Deep Learning	Langzaam (uren)	Hoger	Conda + PyTorch + DGL

Kennisgrafiek-methode

uv run python scripts/run_kg_prediction.py

Metriek	Waarde
CBG-MEB Totaal geneesmiddelen	1,262
Herpositioneringskandidaten	2,472,981

Deep Learning-methode

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

Metriek	Waarde
Totale DL-voorspellingen	703,375
Unieke geneesmiddelen	430
Unieke indicaties	17,081

Score-interpretatie

De TxGNN-score vertegenwoordigt het vertrouwen van het model in een geneesmiddel-ziektepaar, varierend van 0 tot 1.

Drempelwaarde	Betekenis
>= 0.9	Zeer hoog vertrouwen
>= 0.7	Hoog vertrouwen
>= 0.5	Matig vertrouwen

Scoreverdeling

Drempelwaarde	Betekenis
≥ 0.9999	Extreem hoog vertrouwen, meest betrouwbare voorspellingen van het model
≥ 0.99	Zeer hoog vertrouwen, prioriteit geven aan validatie
≥ 0.9	Hoog vertrouwen
≥ 0.5	Matig vertrouwen (sigmoide beslissingsgrens)

Definities van bewijsniveaus

Niveau	Definitie	Klinische betekenis
L1	Fase 3 RCT of systematische review	Kan klinisch gebruik ondersteunen
L2	Fase 2 RCT	Kan overwogen worden voor gebruik
L3	Fase 1 of observationele studie	Vereist verdere evaluatie
L4	Casusrapport of preklinisch onderzoek	Nog niet aanbevolen
L5	Alleen computationele voorspelling, geen klinisch bewijs	Vereist verder onderzoek

Belangrijke herinneringen

1. Hoge scores garanderen geen klinische werkzaamheid: TxGNN-scores zijn op kennisgrafiek gebaseerde voorspellingen die klinische validatie vereisen.
2. Lage scores betekenen niet ineffectief: het model heeft mogelijk bepaalde associaties niet geleerd.
3. Aanbevolen om te gebruiken met validatiepijplijn: gebruik de hulpmiddelen van dit project om klinische studies, literatuur en ander bewijs te beoordelen.

Validatiepijplijn

flowchart TD
    A["TxGNN-voorspellingsresultaten"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Geneesmiddelniveau: CBG-MEB, DDI, DrugBank"]
        B2["Indicatieniveau: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Programmatische gegevensoverdracht (100%)"]
        C2["+ LLM Analyse (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

---

Snelstart

Stap 1: Gegevens downloaden

Bestand	Download
CBG-MEB Gegevens	Gegevensbron
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Stap 2: Afhankelijkheden installeren

uv sync

Stap 3: Geneesmiddelgegevens verwerken

uv run python scripts/process_fda_data.py

Stap 4: Vocabulairegegevens voorbereiden

uv run python scripts/prepare_external_data.py

Stap 5: Kennisgrafiek-voorspelling uitvoeren

uv run python scripts/run_kg_prediction.py

Stap 6: Deep Learning-omgeving instellen

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

Stap 7: Deep Learning-voorspelling uitvoeren

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

---

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