Metodología
Flujo general
La plataforma emplea un flujo de cuatro etapas: el modelo TxGNN (aprendizaje profundo) predice posibles asociaciones entre medicamentos y enfermedades, a continuación se recopila automáticamente la evidencia de cada par predicho, esa evidencia se gradúa de L1 a L5 y, por último, se emite una recomendación de decisión.
- Predicción TxGNN: relaciones medicamento–enfermedad predichas por el modelo TxGNN (aprendizaje profundo: una red neuronal de grafos entrenada con un grafo de conocimiento biomédico).
- Recopilación de evidencia: para cada par predicho se reúne evidencia de ClinicalTrials.gov, PubMed, DrugBank y la AEMPS.
- Gradación de la evidencia: graduada de L1 a L5, donde L1 es la más sólida (múltiples ECA de fase 3) y L5 es solo predicción del modelo.
- Recomendación de decisión: Go, Proceed, Consider, Explore o Hold, en función del nivel de evidencia.
Criterios de gradación de la evidencia
| Nivel | Definición | Significado clínico |
|---|---|---|
| L1 | Múltiples ECA de fase 3 / revisiones sistemáticas | Respaldo sólido; puede plantearse el uso clínico |
| L2 | Un único ECA o varios ensayos de fase 2 | Respaldo moderado; pueden diseñarse ensayos de validación |
| L3 | Estudios observacionales / series de casos amplias | Respaldo preliminar; necesita validación adicional |
| L4 | Estudios preclínicos / mecanicistas | Respaldo teórico; lejos del uso clínico |
| L5 | Solo predicción del modelo | Fase de hipótesis; todavía sin evidencia en humanos |
Cómo se generan las predicciones
El modelo de aprendizaje profundo (DL) de TxGNN asigna una puntuación a cada par fármaco–enfermedad. Después se eliminan las indicaciones y contraindicaciones ya registradas para el fármaco en el grafo de conocimiento (KG) de TxGNN, de modo que las páginas de fármacos solo muestran nuevas indicaciones predichas con una puntuación de al menos 0,99 (hasta 10 por fármaco).
| Paso | Función |
|---|---|
| Aprendizaje profundo (DL) | La red neuronal de grafos de TxGNN puntúa cada par fármaco–enfermedad |
| Verificación de usos conocidos (KG) | Elimina las indicaciones y contraindicaciones ya registradas en el grafo de conocimiento; no se cuentan como nuevas predicciones |
| Recopilación de evidencia | Busca en ClinicalTrials.gov y PubMed cada predicción restante y asigna un nivel de evidencia (L1–L5) |
Integración de datos regulatorios
Los datos de autorización de medicamentos de España proceden de la AEMPS. Los nombres de los principios activos se asignan al vocabulario de DrugBank; los principios activos que no pueden asignarse —extractos vegetales, vacunas, excipientes y otros no catalogados por DrugBank— quedan excluidos de la predicción.
Limitaciones
- Las predicciones son asociaciones estadísticas y no implican causalidad ni eficacia clínica.
- Una clasificación L5 significa solo predicción del modelo, sin evidencia de respaldo en humanos.
- La recopilación de evidencia depende de bases de datos públicas; los estudios no publicados o no indexados no se capturan.
- La asignación de principios activos puede omitir elementos por diferencias de nomenclatura.
Sobre el desarrollador
Esta plataforma está desarrollada y operada por 藥提醒科技有限公司 (yao.care). Consulte la página Acerca de para conocer los antecedentes completos de la empresa y de la metodología.
Este informe tiene únicamente fines de consulta para la investigación académica y no constituye consejo médico. Siga siempre las indicaciones de su médico; nunca ajuste la medicación por su cuenta. Cualquier decisión de reposicionamiento de medicamentos requiere una validación clínica completa y una revisión regulatoria.
Revisado por: 藥提醒科技有限公司 (yao.care)