Metodologia
Flusso complessivo
La piattaforma utilizza un flusso in quattro fasi: il modello a grafo di conoscenza TxGNN prevede potenziali associazioni farmaco–malattia, le prove vengono poi raccolte automaticamente per ciascuna coppia prevista, le prove vengono classificate da L1 a L5 e infine viene emessa una raccomandazione decisionale.
- Previsione TxGNN: relazioni farmaco–malattia previste con un grafo di conoscenza combinato con reti neurali a grafo.
- Raccolta delle prove: per ciascuna coppia prevista, le prove vengono raccolte da ClinicalTrials.gov, PubMed, DrugBank e AIFA.
- Classificazione delle prove: classificate da L1 a L5, dove L1 è il livello più forte (più RCT di Fase 3) e L5 corrisponde alla sola previsione del modello.
- Raccomandazione decisionale: Go, Proceed, Consider, Explore o Hold, in base al livello di prova.
Criteri di classificazione delle prove
| Livello | Definizione | Significato clinico |
|---|---|---|
| L1 | Più RCT di Fase 3 / revisioni sistematiche | Supporto forte; l'uso clinico può essere preso in considerazione |
| L2 | Un singolo RCT o più studi di Fase 2 | Supporto moderato; è possibile progettare studi di validazione |
| L3 | Studi osservazionali / ampie serie di casi | Supporto preliminare; necessita di ulteriore validazione |
| L4 | Studi preclinici / meccanicistici | Supporto teorico; lontano dall'uso clinico |
| L5 | Solo previsione del modello | Fase ipotetica; nessuna prova sull'uomo |
Previsione a doppio motore
Due metodi vengono eseguiti in parallelo e un'etichetta di confidenza registra se concordano:
| Metodo | Velocità | Precisione | Descrizione |
|---|---|---|---|
| Grafo di conoscenza (KG) | Rapido | Inferiore | Inferenza sulle relazioni DrugBank e sulla struttura del grafo |
| Deep learning (DL) | Lento | Superiore | Modello di rete neurale a grafo TxGNN |
| Confidenza | Origine | Significato |
|---|---|---|
| very_high | KG + DL | Entrambi i metodi concordano |
| high | Solo DL | Supporto del deep learning con punteggio elevato |
| medium | Solo KG | Supporto del grafo di conoscenza |
Integrazione dei dati regolatori
I dati sulle approvazioni dei farmaci in Italia provengono dall'AIFA. I nomi dei principi attivi sono mappati sul vocabolario DrugBank; i principi attivi che non possono essere mappati — estratti vegetali, vaccini, eccipienti e altri elementi non catalogati da DrugBank — sono esclusi dalla previsione.
Limiti
- Le previsioni sono associazioni statistiche e non implicano un rapporto di causalità né un'efficacia clinica.
- Una valutazione L5 indica la sola previsione del modello, senza prove di supporto sull'uomo.
- La raccolta delle prove dipende da banche dati pubbliche; gli studi non pubblicati o non indicizzati non vengono rilevati.
- La mappatura dei principi attivi può omettere alcuni elementi a causa di differenze nella denominazione.
Informazioni sullo Sviluppatore
Questa piattaforma è sviluppata e gestita da 藥提醒科技有限公司 (yao.care, numero di registrazione societaria 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
ITTxGNN è il sito italiano della linea di prodotti "TxGNN Drug Repurposing" dell'azienda.
Lo stesso sistema è distribuito in 30 paesi e regioni, ciascuno denominato {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN e così via) all'indirizzo {cc}txgnn.yao.care.
Panoramica del prodotto: https://www.yao.care/medical/txgnn/.
Il modello TxGNN è stato sviluppato dallo Zitnik Lab della Harvard Medical School ed è stato pubblicato su Nature Medicine. Questa piattaforma è il sistema di produzione che 藥提醒科技有限公司 ha costruito su tale modello e comprende l'integrazione dei dati nazionali di registrazione dei farmaci, la previsione combinata tramite grafo di conoscenza e deep learning, la classificazione delle prove da PubMed / ClinicalTrials e l'integrazione con le cartelle cliniche elettroniche tramite SMART on FHIR.
Il presente rapporto ha finalità esclusivamente di ricerca accademica e non costituisce un parere medico. Seguire sempre le indicazioni del proprio medico; non modificare mai la terapia di propria iniziativa. Qualsiasi decisione di riposizionamento di un farmaco richiede una validazione clinica completa e una revisione regolatoria.
Revisionato da: 藥提醒科技有限公司 (yao.care)