🎯 目標

在既有 API 與 DB 架構上，逐步加入更完整的資料來源

強化 可信度（文獻證據等級）、安全性（法規過濾）、風險控制（藥物交互）

規劃往 知識圖譜 與 多來源 AI 推薦 的演進

🔗 後續擴充方向
1. PubMed 模組強化

自動化 NLP 抽取（BERT/BioBERT/ScispaCy） → 自動判斷 effect/endpoint/方向

文章的 證據分級（RCT > cohort > in vitro） → 存到 evidence.grade

未來可用 向量資料庫 (Qdrant / Weaviate) 加速全文檢索，支援「問題→文獻摘要→推薦」

2. FDA 規範擴充

建立 fda_substances 表，包含成分合法性、每日攝取上限 (UL)、禁忌族群

在 API /api/recommendations 增加 警示欄位：
未來可串接 台灣衛福部資料，讓系統能在地化

3. DrugBank 交互作用

建立 interactions 表，對照食物/營養素 vs. 藥物 → 交互風險描述

與使用者輸入的「現用藥清單」比對 → 自動警示

例如：

抗皺推薦「葡萄柚」→ 若用者正在服 statins → 回應「⚠️ 可能增加藥物濃度」

4. 知識圖譜 (Knowledge Graph)

節點：Food、Compound、Effect、Evidence、Drug、Regulation

邊：Food contains Compound、Compound improves Effect、Compound interactsWith Drug

可用 Neo4j / RDF / GraphDB → 讓 API 能回答更複雜查詢：

「哪些食物含有與藥物 X 相同作用機制的成分？」

「哪些抗皺食材同時在 FDA 合法、無 DrugBank 衝突？」

5. AI 層擴充

利用 Graph Embedding + ONNX Runtime → 強化推薦排序

支援多任務學習：同時預測「有效性 + 安全性 + 交互風險」

長遠規劃：透過 LLM (BioGPT, PubMedBERT) → 自動生成食材說明與安全建議

✅ 驗收標準

清楚描述 PubMed、FDA、DrugBank 的角色與資料流

確定未來新增的三張資料表：fda_substances、interactions、kg_relations

確立演進路徑：
規則查詢 → 多來源整合 → 知識圖譜 → AI 驅動智慧推薦