S4 — Flersproget kvalitet af lægemiddelnavne i Wikidata

Resumé

Wikidata er en CC0-vidensgraf, hvis flersprogede etiketter genbruges af infobokse på Wikipedia, tjenester til oversættelse af identifikatorer og flersproget termsøgning. Vi fastfrøs etiketterne for alle 3.768 Wikidata-elementer med en ATC-kode (P267) på 20 sprog (34.207 etiketter), plus 10.823 elementer med ICD-10-/ICD-11-koder. Syv regelbaserede detektorer markerer etiketter i forkert skrift, handelsnavne, forvekslinger af salt og moderforbindelse, delte etiketter, afvigelser fra WHO's INN, fejlformaterede ICD-koder og forældede ATC-koder. En stratificeret tilfældig stikprøve på 118 markeringer blev gennemgået én for én af studieagenten, en LLM-baseret agent (se paper.md §3.1).

Markeringerne for skrift (0,71 lægemidler, 0,93 sygdomme), handelsnavn (0,83), delt etiket (1,00), ICD-10-format (13/13) og forældet ATC (5/5) var for det meste korrekte. Markeringerne for INN (0,19), salt/moderforbindelse (0,26) og dubleret ATC (0/4) var ikke, og ICD-11 er ubestemt (1/2).

Omkring 0,9 % af lægemiddeletiketterne er forkerte (≈312 af 34.207; 0,5 % ved de nedre grænser for præcisionens 95 %-KI). Dette er en nedre grænse med hensyn til recall. Fejlene er koncentreret i urdu (39 pr. 1.000 etiketter), persisk (35), russisk (28) og hindi (25) mod 2–4 pr. 1.000 i de store sprog med latinsk skrift (engelsk undtaget). De omfatter:

handelsnavne (Seroquel, Lyrica, Arcoxia);
engelsk tekst og stavefejl;
et uvedkommende personnavn: fa »mohamad« på belimumab;
etiketter, der navngiver et andet stof (»pregabalin« på flumequin, »omeprazole« på esomeprazol).

I ICD-10 (P494) er 2,5 % af værdierne ugyldige, intervaller undtaget; 44 viser den samme korruption med gentagen kode (»B2424.« for hiv/aids, »I10-I1515.« for forhøjet blodtryk). I ATC er 3,3 % af udsagnene koder, der er erstattet (WHO's liste over ændringer), men som stadig har rangen normal.

Seks af de syv fejl fra vores tidligere gennemgang (en udforskende kontrol af 59 lægemidler til kronisk behandling og 34 kroniske sygdomme) var stadig til stede; den syvende var kun delvist rettet.

Vi foreslår 135 rettelser, gennemgået én for én af studieagenten, som et QuickStatements-forslag (corrections.qs). Forslaget er ikke anvendt: Kontrollér først hver lastrevid igen, og diskutér det i WikiProject Medicine. Vi har ikke redigeret Wikidata.

Citér dette studie

Kildehenvisning

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}
}

Resumé

Citér dette studie

Relaterede studier