Metodologia
Flusso complessivo
La piattaforma utilizza un flusso in quattro fasi: il modello TxGNN (apprendimento profondo) 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 dal modello TxGNN (apprendimento profondo: una rete neurale a grafo addestrata su un grafo di conoscenza biomedico).
- 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 |
Come vengono generate le previsioni
Il modello di deep learning (DL) di TxGNN assegna un punteggio a ogni coppia farmaco–malattia. Vengono poi rimosse le indicazioni e le controindicazioni già registrate per il farmaco nel grafo di conoscenza (KG) di TxGNN, quindi le pagine dei farmaci mostrano solo nuove indicazioni previste con punteggio di almeno 0,99 (fino a 10 per farmaco).
| Fase | Ruolo |
|---|---|
| Deep learning (DL) | La rete neurale su grafo di TxGNN assegna un punteggio a ogni coppia farmaco–malattia |
| Verifica degli usi noti (KG) | Rimuove indicazioni e controindicazioni già registrate nel grafo di conoscenza; non sono conteggiate come nuove previsioni |
| Raccolta delle evidenze | Cerca su ClinicalTrials.gov e PubMed ogni previsione rimanente e assegna un livello di evidenza (L1–L5) |
Integrazione dei dati regolatori
I dati sui farmaci in Italia provengono dalle liste AIFA dei farmaci di classe A e H (i farmaci di classe C non sono inclusi). 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). Le informazioni sull'azienda, il contesto del modello TxGNN e l'elenco completo dei siti della linea di prodotti si trovano nella pagina Informazioni.
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)