Mehrsprachige Qualität von Arzneimittelnamen in Wikidata

Wikidata ist ein CC0-Wissensgraph, dessen mehrsprachige Bezeichnungen von Wikipedia-Infoboxen, Diensten zur Übersetzung von Kennungen und mehrsprachiger Begriffssuche wiederverwendet werden. Wir haben die Bezeichnungen aller 3.768 Wikidata-Datenobjekte mit einem ATC-Code (P267) in 20 Sprachen eingefroren (34.207 Bezeichnungen), dazu 10.823 Datenobjekte mit ICD-10-/ICD-11-Codes. Sieben regelbasierte Detektoren markieren Bezeichnungen in der falschen Schrift, Markennamen, Verwechslungen von Salz und Stammverbindung, geteilte Bezeichnungen, Abweichungen vom INN der WHO, fehlerhaft formatierte ICD-Codes und veraltete ATC-Codes. Eine geschichtete Zufallsstichprobe von 118 Markierungen wurde vom Studienagenten, einem LLM-basierten Agenten, einzeln geprüft (siehe paper.md §3.1).

Die Markierungen zu Schrift (0,71 Arzneimittel, 0,93 Krankheiten), Marke (0,83), geteilter Bezeichnung (1,00), ICD-10-Format (13/13) und veraltetem ATC-Code (5/5) waren überwiegend korrekt. Die zu INN (0,19), Salz/Stammverbindung (0,26) und doppeltem ATC-Code (0/4) waren es nicht, und ICD-11 ist unbestimmt (1/2).

Etwa 0,9 % der Arzneimittelbezeichnungen sind falsch (≈312 von 34.207; 0,5 % an den unteren Grenzen der 95-%-KI der Präzision). Dies ist eine Untergrenze in Bezug auf den Recall. Die Fehler konzentrieren sich auf Urdu (39 je 1.000 Bezeichnungen), Persisch (35), Russisch (28) und Hindi (25), gegenüber 2–4 je 1.000 in den großen Sprachen mit lateinischer Schrift (ohne Englisch). Dazu gehören:

• Markennamen (Seroquel, Lyrica, Arcoxia);
• englischer Text und Rechtschreibfehler;
• ein sachfremder Personenname: fa „mohamad“ bei Belimumab;
• Bezeichnungen, die einen anderen Stoff benennen („pregabalin“ bei Flumequin, „omeprazole“ bei Esomeprazol).

In ICD-10 (P494) sind 2,5 % der Werte ungültig, Bereiche ausgenommen; 44 zeigen dieselbe Beschädigung durch einen wiederholten Code („B2424.“ für HIV/AIDS, „I10-I1515.“ für Bluthochdruck). Bei ATC sind 3,3 % der Aussagen Codes, die ersetzt wurden (Änderungsliste der WHO), aber weiterhin den Rang „normal“ haben.

Sechs der sieben Fehler aus unserer früheren Prüfung (einer explorativen Kontrolle von 59 Arzneimitteln zur Dauerbehandlung und 34 chronischen Krankheiten) waren noch vorhanden; der siebte war nur teilweise behoben.

Wir schlagen 135 Korrekturen vor, die vom Studienagenten einzeln geprüft wurden, als QuickStatements-Vorschlag (corrections.qs). Der Vorschlag wurde nicht angewendet: Zuerst jede lastrevid erneut prüfen und im WikiProject Medicine diskutieren. Wir haben Wikidata nicht bearbeitet.