S4 — Vícejazyčná kvalita názvů léčiv ve Wikidata

Abstrakt

Wikidata je znalostní graf pod licencí CC0, jehož vícejazyčné štítky přebírají infoboxy Wikipedie, služby pro překlad identifikátorů a vícejazyčné vyhledávání termínů. Zmrazili jsme štítky všech 3 768 položek Wikidata, které nesou kód ATC (P267), ve 20 jazycích (34 207 štítků) a k tomu 10 823 položek s kódy ICD-10/ICD-11. Sedm detektorů založených na pravidlech označuje štítky v nesprávném písmu, obchodní názvy, záměny soli a mateřské látky, sdílené štítky, odchylky od mezinárodních nechráněných názvů WHO (INN), chybně formátované kódy ICD a zastaralé kódy ATC. Stratifikovaný náhodný vzorek 118 příznaků jednotlivě přezkoumal agent studie, agent založený na LLM (viz paper.md §3.1).

Příznaky písma (0,71 u léčiv, 0,93 u nemocí), obchodních názvů (0,83), sdílených štítků (1,00), formátu ICD-10 (13/13) a zastaralých ATC (5/5) byly většinou správné. Příznaky INN (0,19), sůl/mateřská látka (0,26) a duplicitních ATC (0/4) správné nebyly a u ICD-11 je výsledek nerozhodnutý (1/2).

Přibližně 0,9 % štítků léčiv je chybných (≈312 z 34 207; 0,5 % při dolních mezích 95% IS přesnosti). Jde o dolní mez s ohledem na úplnost (recall). Chyby se soustřeďují v urdštině (39 na 1 000 štítků), perštině (35), ruštině (28) a hindštině (25), oproti 2–4 na 1 000 v hlavních jazycích psaných latinkou (bez angličtiny). Patří k nim:

obchodní názvy (Seroquel, Lyrica, Arcoxia);
anglický text a překlepy;
nesouvisející osobní jméno: fa „mohamad“ u belimumabu;
štítky, které pojmenovávají jinou látku („pregabalin“ u flumechinu, „omeprazole“ u esomeprazolu).

V ICD-10 (P494) je 2,5 % hodnot neplatných, bez rozsahů; 44 vykazuje stejné poškození opakovaným kódem („B2424.“ pro HIV/AIDS, „I10-I1515.“ pro hypertenzi). V ATC tvoří 3,3 % výroků kódy, které byly nahrazeny (seznam změn WHO), ale stále mají normální postavení.

Šest ze sedmi chyb z našeho dřívějšího přezkumu (průzkumné kontroly 59 léčiv pro chronickou léčbu a 34 chronických onemocnění) stále přetrvávalo; sedmá byla opravena jen částečně.

Navrhujeme 135 oprav, které jednotlivě přezkoumal agent studie, jako návrh pro QuickStatements (corrections.qs). Návrh nebyl proveden: nejprve znovu zkontrolujte každé lastrevid a proberte ho ve WikiProject Medicine. Wikidata jsme neupravovali.

Citovat tuto studii

Citace

EasyxLab (2026). Multilingual quality of drug names in Wikidata. Study S4. EasyByte Hub S. Coop. Mad. https://github.com/easybytehub/easyxlab/tree/main/studies/s4-wikidata-drug-labels

BibTeX

@techreport{easyxlab_s4,
  title       = {Multilingual quality of drug names in Wikidata},
  author      = {{EasyxLab}},
  institution = {EasyByte Hub S. Coop. Mad.},
  number      = {S4},
  year        = {2026},
  url         = {https://github.com/easybytehub/easyxlab/tree/main/studies/s4-wikidata-drug-labels}
}

Abstrakt

Citovat tuto studii

Související studie