A Wikidata gyógyszerneveinek többnyelvű minősége

A Wikidata CC0 licencű tudásgráf, amelynek többnyelvű címkéit a Wikipédia-infoboxok, az azonosító-fordító szolgáltatások és a többnyelvű terminuskeresés is újrahasznosítja. Rögzítettük (befagyasztottuk) mind a 3768, ATC-kóddal (P267) rendelkező Wikidata-elem címkéit 20 nyelven (34 207 címke), valamint 10 823, ICD-10/ICD-11 kóddal rendelkező elem címkéit. Hét szabályalapú detektor jelzi a rossz írásrendszerű címkéket, a márkaneveket, a só/alapvegyület-eltéréseket, a közös címkéket, a WHO nemzetközi szabadneveitől (INN) való eltéréseket, a hibás formátumú ICD-kódokat és az elavult ATC-kódokat. A 118 jelzésből álló rétegzett véletlen mintát egyenként átnézte a tanulmány ügynöke, egy LLM-alapú ügynök (lásd paper.md §3.1).

Az írásrendszerre (0,71 a gyógyszereknél, 0,93 a betegségeknél), a márkanévre (0,83), a közös címkére (1,00), az ICD-10-formátumra (13/13) és az elavult ATC-kódra (5/5) vonatkozó jelzések többnyire helyesek voltak. Az INN-re (0,19), a só/alapvegyület viszonyra (0,26) és a duplikált ATC-re (0/4) vonatkozók nem, az ICD-11 pedig eldöntetlen (1/2).

A gyógyszercímkék mintegy 0,9%-a hibás (≈312 a 34 207-ből; a pontosság (precision) alsó 95%-os konfidenciahatárain 0,5%). Ez a felidézés (recall) szempontjából alsó korlát. A hibák az urdu (1000 címkénként 39), a perzsa (35), az orosz (28) és a hindi (25) nyelvben sűrűsödnek, szemben a nagy latin írású nyelvek (az angol kivételével) 1000 címkénkénti 2–4 hibájával. Ezek között vannak:

• márkanevek (Seroquel, Lyrica, Arcoxia);
• angol szöveg és elírások;
• egy oda nem tartozó személynév: fa „mohamad” a belimumabnál;
• más hatóanyagot megnevező címkék („pregabalin” a flumekinnél, „omeprazole” az ezomeprazolnál).

Az ICD-10-ben (P494) az értékek 2,5%-a érvénytelen, a tartományokat nem számítva; 44 ugyanazt az ismétlődő kódból eredő sérülést mutatja („B2424.” a HIV/AIDS-nél, „I10-I1515.” a magas vérnyomásnál). Az ATC-ben az állítások 3,3%-a olyan kód, amelyet lecseréltek (WHO-módosítási lista), de a rangja még mindig normal.

Korábbi átnézésünk (59 krónikus kezelésre szolgáló gyógyszer és 34 krónikus betegség feltáró ellenőrzése) hét hibájából hat még mindig megvolt; a hetediket csak részben javították.

135 javítást javaslunk, amelyeket a tanulmány ügynöke egyenként átnézett, QuickStatements-javaslatként (corrections.qs). A javaslatot nem hajtottuk végre: előbb ellenőrizze újra mindegyik lastrevid értéket, és vitassa meg a WikiProject Medicine projektben. A Wikidatában semmit nem szerkesztettünk.