Metodología
Flujo general
La plataforma emplea un flujo de cuatro etapas: el modelo de grafo de conocimiento TxGNN 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 con un grafo de conocimiento combinado con redes neuronales de grafos.
- 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 |
Predicción con motor dual
Dos métodos se ejecutan en paralelo y una etiqueta de confianza registra si coinciden:
| Método | Velocidad | Precisión | Descripción |
|---|---|---|---|
| Grafo de conocimiento (KG) | Rápida | Menor | Inferencia sobre las relaciones de DrugBank y la estructura del grafo |
| Aprendizaje profundo (DL) | Lenta | Mayor | Modelo de red neuronal de grafos TxGNN |
| Confianza | Origen | Significado |
|---|---|---|
| very_high | KG + DL | Ambos métodos coinciden |
| high | Solo DL | Respaldo de aprendizaje profundo con puntuación alta |
| medium | Solo KG | Respaldo del grafo de conocimiento |
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, número de registro mercantil 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
ESTxGNN es el sitio de España de la línea de productos «TxGNN Drug Repurposing» de la empresa.
El mismo sistema está desplegado en 30 países y regiones, cada uno denominado {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN, etc.) en {cc}txgnn.yao.care.
Descripción general del producto: https://www.yao.care/medical/txgnn/.
El modelo TxGNN en sí fue desarrollado por el Zitnik Lab de Harvard Medical School y publicado en Nature Medicine. Esta plataforma es el sistema de producción que 藥提醒科技有限公司 ha construido sobre ese modelo, y abarca la integración de datos nacionales de registro de medicamentos, la predicción dual mediante grafo de conocimiento y aprendizaje profundo, la gradación de la evidencia con PubMed / ClinicalTrials y la integración con la historia clínica electrónica mediante SMART on FHIR.
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)