Calidad multilingüe de los nombres de fármacos en Wikidata

Wikidata es un grafo de conocimiento CC0 cuyas etiquetas multilingües reutilizan las fichas (infoboxes) de Wikipedia, los servicios de traducción de identificadores y la búsqueda multilingüe de términos. Congelamos las etiquetas de los 3768 elementos de Wikidata que tienen un código ATC (P267) en 20 idiomas (34.207 etiquetas), además de 10.823 elementos con códigos CIE-10/CIE-11. Siete detectores basados en reglas señalan etiquetas en una escritura equivocada, nombres comerciales, discrepancias sal/compuesto base, etiquetas compartidas, desviaciones respecto de la DCI de la OMS, códigos CIE mal formados y códigos ATC obsoletos. El agente del estudio, un agente basado en un LLM, revisó uno por uno una muestra aleatoria estratificada de 118 alertas (véase paper.md §3.1).

Las alertas de escritura (0,71 en fármacos, 0,93 en enfermedades), de nombre comercial (0,83), de etiqueta compartida (1,00), de formato CIE-10 (13/13) y de ATC obsoleto (5/5) fueron mayoritariamente correctas. Las de DCI (0,19), sal/compuesto base (0,26) y ATC duplicado (0/4) no lo fueron, y la de CIE-11 queda indeterminada (1/2).

Alrededor del 0,9 % de las etiquetas de fármacos son erróneas (≈312 de 34.207; el 0,5 % con los límites inferiores del IC 95 % de la precisión). Es una cota inferior en lo que respecta a la exhaustividad (recall). Los errores se concentran en urdu (39 por cada 1000 etiquetas), persa (35), ruso (28) e hindi (25), frente a 2–4 por cada 1000 en las principales lenguas de escritura latina (sin contar el inglés). Incluyen:

• nombres comerciales (Seroquel, Lyrica, Arcoxia);
• texto en inglés y faltas de ortografía;
• un nombre de persona sin relación: fa «mohamad» en el belimumab;
• etiquetas que nombran otra sustancia («pregabalin» en la flumequina, «omeprazole» en el esomeprazol).

En CIE-10 (P494), el 2,5 % de los valores no son válidos, sin contar los rangos; 44 muestran la misma corrupción por código repetido («B2424.» para VIH/sida, «I10-I1515.» para hipertensión). En ATC, el 3,3 % de las declaraciones son códigos sustituidos (lista de alteraciones de la OMS) pero siguen con rango normal.

Seis de los siete errores de nuestra revisión anterior (una comprobación exploratoria de 59 fármacos de tratamiento crónico y 34 enfermedades crónicas) seguían presentes; el séptimo solo se había corregido en parte.

Proponemos 135 correcciones, revisadas una por una por el agente del estudio, como propuesta de QuickStatements (corrections.qs). La propuesta no se ha aplicado: antes hay que volver a comprobar cada lastrevid y debatirla en el WikiProject Medicine. No hemos editado Wikidata.