方法論

從 AI 預測到證據驗證的完整流程

整體流程

TxGNN 預測 → 資料收集 (Bundle) → 證據整理 (Evidence Pack) → 報告產出 (Notes)

第一步：TxGNN 預測

模型介紹

TxGNN 使用知識圖譜結合圖神經網路進行預測：

知識圖譜建構
- 17,080 個節點（藥物、疾病、基因等）
- 複雜的節點間關係
圖神經網路訓練
- 學習節點間的隱含關聯
- 預測新的藥物-疾病關係
預測輸出
- 每個藥物-疾病配對的預測分數
- 分數越高，預測越有信心

篩選標準

本專案採用的篩選條件：

參數	設定值
最低預測分數	99%
每藥物最多適應症	5 個
排除已知適應症	是

第二步：資料收集 (Bundle)

針對每個預測的藥物-疾病配對，自動收集以下資料：

臨床試驗

來源：ClinicalTrials.gov
搜尋策略：藥物名稱 + 疾病名稱
收集欄位：試驗編號、階段、狀態、受試者人數

學術文獻

來源：PubMed
搜尋策略：藥物名稱 + 疾病名稱
收集欄位：PMID、標題、年份、期刊、摘要

藥物資訊

來源：DrugBank
收集欄位：作用機轉、藥理作用、適應症

台灣上市資訊

來源：衛福部食藥署 (TFDA)
收集欄位：許可證號、品名、劑型、核准適應症

藥物交互作用 (DDI)

來源：DDInter、Guide to PHARMACOLOGY
收集欄位：交互作用藥物、嚴重程度、機轉

第三步：證據等級判定

根據收集到的證據，判定證據等級：

等級定義

等級	定義	判定標準
L1	多個 Phase 3 RCT / 系統性回顧	有 ≥2 個 Phase 3 試驗或系統性回顧
L2	單一 RCT 或多個 Phase 2 試驗	有 1 個 RCT 或 ≥2 個 Phase 2 試驗
L3	觀察性研究 / 大型病例系列	有觀察性研究或病例系列報告
L4	前臨床 / 機轉研究 / 個案報告	僅有基礎研究或少量個案
L5	僅模型預測，無臨床證據	未找到相關臨床證據

判定流程

有 Phase 3 RCT?
├── 是 → L1
└── 否 → 有 Phase 2 RCT?
          ├── 是 → L2
          └── 否 → 有觀察性研究?
                    ├── 是 → L3
                    └── 否 → 有前臨床研究?
                              ├── 是 → L4
                              └── 否 → L5

第四步：決策建議

根據證據等級和其他因素，給出決策建議：

決策	說明	建議行動
Go	強力證據支持	可直接進入評估或試驗規劃
Proceed	充分證據支持	可進一步評估可行性
Consider	有一定證據	可考慮，但需注意風險
Explore	值得探索	需補充更多資料
Hold	證據不足	暫不建議推進

影響決策的因素

證據強度與一致性
台灣上市與許可證狀態
預測適應症與原適應症的相關性
安全性考量

品質控制

資料驗證

臨床試驗編號格式檢查
PubMed ID 有效性驗證
許可證狀態確認

人工審核

高證據等級 (L1-L2) 報告經人工確認
決策建議的合理性檢查

限制與注意事項

預測不等於因果：TxGNN 預測基於關聯性，非因果關係
證據收集有限：僅搜尋公開資料庫，可能遺漏部分證據
語言限制：主要搜尋英文資料
時效性：資料會隨時間更新，報告反映產出時的狀態

本方法論會持續改進，歡迎提供回饋意見。