方法論
從 AI 預測到證據分級，每一個候選都有可追溯的判定依據。
整體流程
本平台採四階段流程：先以 TxGNN 知識圖譜模型預測藥物與疾病的潛在關聯，再針對每個預測配對自動收集臨床試驗與文獻證據，接著依證據強度判定 L1-L5 等級，最後給出決策建議。
- TxGNN 預測：使用知識圖譜結合圖神經網路進行藥物-疾病關係預測。
- 證據收集：針對每個預測配對，自動收集 ClinicalTrials.gov、PubMed、DrugBank、Department of Health HK 等來源的證據。
- 證據等級判定：依收集到的證據判定 L1-L5 等級，L1 最高（多個 Phase 3 RCT），L5 為僅模型預測。
- 決策建議：依證據等級給出 Go、Proceed、Consider、Explore、Hold 建議。
證據分級標準
| 等級 | 定義 | 臨床意義 |
|---|---|---|
| L1 | 多個 Phase 3 RCT／系統性回顧 | 強力支持，可考慮臨床使用 |
| L2 | 單一 RCT 或多個 Phase 2 試驗 | 中等支持，可設計驗證試驗 |
| L3 | 觀察性研究／大型病例系列 | 初步支持，需進一步驗證 |
| L4 | 前臨床／機轉研究 | 理論支持，距臨床尚遠 |
| L5 | 僅模型預測 | 假說階段，尚無人體證據 |
雙引擎預測
本平台同時使用兩種方法，並以信心度標示兩者的一致性：
| 方法 | 速度 | 精準度 | 說明 |
|---|---|---|---|
| 知識圖譜（KG） | 快 | 較低 | 以 DrugBank 關聯與圖結構推論 |
| 深度學習（DL） | 慢 | 較高 | TxGNN 圖神經網路模型 |
| 信心度 | 來源 | 說明 |
|---|---|---|
| very_high | KG + DL | 兩種方法都支持 |
| high | 僅 DL | 深度學習模型高分支持 |
| medium | 僅 KG | 知識圖譜支持 |
藥證資料串接
Hong Kong的藥品核准資料來自 Department of Health HK。系統將藥品成分名對應到 DrugBank 詞彙表， 未能對應的成分（中草藥萃取物、疫苗、賦形劑等 DrugBank 未收錄者）不納入預測。
方法限制
- 預測結果為統計關聯，不等於因果關係或臨床療效。
- L5 等級僅代表模型預測，尚無任何人體證據支持。
- 證據收集依賴公開資料庫，未公開或未索引的研究不會被納入。
- 藥品成分對應可能因命名差異而遺漏部分品項。
關於開發單位
本平台由藥提醒科技有限公司（yao.care，統一編號 83620786，地址：台中市西區台灣大道二段220號12樓）開發與維運。
HkTxGNN 是該公司「TxGNN 老藥新用」產品線的Hong Kong站。同一套系統已部署於 30 個國家／地區，
各站依 {國碼}TxGNN 命名（JpTxGNN、UsTxGNN、DETxGNN…），網址格式為 {國碼}txgnn.yao.care。
產品總覽見 https://www.yao.care/medical/txgnn/。
TxGNN 模型本身由哈佛醫學院 Zitnik Lab 開發並發表於 Nature Medicine； 本平台是藥提醒科技有限公司以該模型為基礎建置的落地系統，負責各國藥證資料串接、 知識圖譜與深度學習雙引擎預測、PubMed／ClinicalTrials 證據分級，以及 SMART on FHIR 電子病歷整合。
免責聲明
本報告僅供學術研究參考，不構成醫療建議。藥物使用請遵循醫師指示，切勿自行調整用藥。任何老藥新用決策需經過完整的臨床驗證與法規審查。
審核者: 藥提醒科技有限公司 (yao.care)
本報告僅供學術研究參考，不構成醫療建議。藥物使用請遵循醫師指示，切勿自行調整用藥。任何老藥新用決策需經過完整的臨床驗證與法規審查。
審核者: 藥提醒科技有限公司 (yao.care)