Metodología
Flujo general
La plataforma utiliza un flujo de cuatro etapas: el modelo de grafo de conocimiento TxGNN predice asociaciones potenciales entre fármacos y enfermedades, luego se recolecta automáticamente evidencia para cada par predicho, la evidencia se gradúa de L1 a L5 y, por último, se emite una recomendación de decisión.
- Predicción TxGNN: relaciones fármaco–enfermedad predichas con un grafo de conocimiento combinado con redes neuronales de grafos.
- Recolección de evidencia: para cada par predicho se reúne evidencia de ClinicalTrials.gov, PubMed, DrugBank y ANMAT.
- Gradación de evidencia: se gradúa 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, según el nivel de evidencia.
Criterios de gradación de evidencia
| Nivel | Definición | Significado clínico |
|---|---|---|
| L1 | Múltiples ECA de fase 3 / revisiones sistemáticas | Respaldo sólido; puede considerarse el uso clínico |
| L2 | Un solo ECA o múltiples ensayos de fase 2 | Respaldo moderado; pueden diseñarse ensayos de validación |
| L3 | Estudios observacionales / series de casos amplias | Respaldo preliminar; requiere validación adicional |
| L4 | Estudios preclínicos / mecanísticos | Respaldo teórico; lejos del uso clínico |
| L5 | Solo predicción del modelo | Etapa de hipótesis; todavía sin evidencia en humanos |
Predicción de doble motor
Dos métodos corren en paralelo y una etiqueta de confianza registra si coinciden entre sí:
| 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 puntaje alto |
| medium | Solo KG | Respaldo del grafo de conocimiento |
Integración de datos regulatorios
Los datos de aprobación de medicamentos de Argentina provienen de ANMAT. Los nombres de los principios activos se mapean al vocabulario de DrugBank; los principios activos que no pueden mapearse — extractos herbales, 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 calificación L5 significa solo predicción del modelo, sin evidencia en humanos que la respalde.
- La recolección de evidencia depende de bases de datos públicas; los estudios no publicados o no indexados no quedan capturados.
- El mapeo de principios activos puede omitir ítems por diferencias de nomenclatura.
Acerca del Desarrollador
Esta plataforma es desarrollada y operada por 藥提醒科技有限公司 (yao.care, número de registro de empresa 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
ARTxGNN es el sitio de Argentina 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, y así sucesivamente) en {cc}txgnn.yao.care.
Descripción 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 construyó sobre ese modelo, y abarca la integración de los datos nacionales de registro de medicamentos, la predicción dual por grafo de conocimiento y aprendizaje profundo, la gradación de evidencia con PubMed / ClinicalTrials y la integración con la historia clínica electrónica mediante SMART on FHIR.
Este informe es solo para referencia de investigación académica y no constituye consejo médico. Siga siempre las indicaciones de su médico; nunca ajuste la medicación por su cuenta. Toda 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)