S4 — Lääkenimien monikielinen laatu Wikidatassa

Tiivistelmä

Wikidata on CC0-lisensoitu tietograafi, jonka monikielisiä nimikkeitä käyttävät uudelleen Wikipedian tietolaatikot, tunnisteiden käännöspalvelut ja monikielinen termihaku. Jäädytimme 20 kielellä kaikkien niiden 3 768 Wikidata-kohteen nimikkeet, joilla on ATC-koodi (P267) (34 207 nimikettä), sekä 10 823 kohdetta, joilla on ICD-10- tai ICD-11-koodi. Seitsemän sääntöpohjaista tunnistinta liputtaa väärällä kirjoitusjärjestelmällä kirjoitetut nimikkeet, kauppanimet, suolan ja kantayhdisteen sekaannukset, jaetut nimikkeet, poikkeamat WHO:n INN-nimistä, virheellisesti muotoillut ICD-koodit ja vanhentuneet ATC-koodit. Tutkimusagentti, LLM-pohjainen agentti, kävi 118 liputuksen ositetun satunnaisotoksen läpi yksitellen (ks. paper.md §3.1).

Liputukset olivat enimmäkseen oikeita seuraavissa luokissa: kirjoitusjärjestelmä (0,71 lääkkeet, 0,93 sairaudet), kauppanimi (0,83), jaettu nimike (1,00), ICD-10-muoto (13/13) ja vanhentunut ATC-koodi (5/5). Luokissa INN (0,19), suola/kantayhdiste (0,26) ja päällekkäinen ATC-koodi (0/4) ne eivät olleet, ja ICD-11:n tulos on ratkaisematon (1/2).

Noin 0,9 % lääkenimikkeistä on virheellisiä (≈312 nimikettä 34 207:stä; 0,5 % tarkkuuden 95 %:n luottamusvälien alarajoilla). Tämä on alaraja herkkyyden (recall) suhteen. Virheet keskittyvät urduun (39 virhettä tuhatta nimikettä kohden), persiaan (35), venäjään (28) ja hindiin (25), kun suurissa latinalaista kirjaimistoa käyttävissä kielissä (englantia lukuun ottamatta) niitä on 2–4 tuhatta nimikettä kohden. Niihin kuuluu:

kauppanimiä (Seroquel, Lyrica, Arcoxia);
englanninkielistä tekstiä ja kirjoitusvirheitä;
asiaan liittymätön henkilönnimi: fa ”mohamad” kohteessa belimumabi;
nimikkeitä, jotka nimeävät eri aineen (”pregabalin” kohteessa flumekiini, ”omeprazole” kohteessa esomepratsoli).

ICD-10:ssä (P494) 2,5 % arvoista on virheellisiä, välejä lukuun ottamatta; 44 arvossa näkyy sama toistuneen koodin aiheuttama vioittuma (”B2424.” HIV:lle/aidsille, ”I10-I1515.” verenpainetaudille). ATC:ssä 3,3 % väitteistä on koodeja, jotka on korvattu (WHO:n muutosluettelo), mutta joiden sijoitus (rank) on yhä normaali.

Kuusi seitsemästä aiemmassa tarkastuksessamme (59 pitkäaikaislääkettä ja 34 kroonista sairautta koskeneessa alustavassa tarkistuksessa) löytyneestä virheestä oli yhä olemassa; seitsemäs oli korjattu vain osittain.

Ehdotamme 135 korjausta, jotka tutkimusagentti on käynyt läpi yksitellen, QuickStatements-ehdotuksena (corrections.qs). Ehdotusta ei ole toteutettu: tarkista ensin jokainen lastrevid uudelleen ja keskustele asiasta WikiProject Medicine -projektissa. Emme ole muokanneet Wikidataa.

Viittaa tähän tutkimukseen

Lähdeviite

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}
}

Tiivistelmä

Viittaa tähän tutkimukseen

Liittyvät tutkimukset