Qualità multilingue dei nomi dei farmaci in Wikidata

Wikidata è un grafo di conoscenza CC0 le cui etichette multilingui vengono riutilizzate dagli infobox di Wikipedia, dai servizi di traduzione degli identificatori e dalla ricerca multilingue di termini. Abbiamo congelato le etichette di tutti i 3.768 elementi di Wikidata che hanno un codice ATC (P267) in 20 lingue (34.207 etichette), più 10.823 elementi con codici ICD-10/ICD-11. Sette rilevatori basati su regole segnalano etichette nella scrittura sbagliata, nomi commerciali, discrepanze sale/composto base, etichette condivise, scostamenti dalla DCI dell'OMS, codici ICD malformati e codici ATC obsoleti. Un campione casuale stratificato di 118 segnalazioni è stato esaminato una per una dall'agente dello studio, un agente basato su un LLM (vedi paper.md §3.1).

Le segnalazioni di scrittura (0,71 per i farmaci, 0,93 per le malattie), di nome commerciale (0,83), di etichetta condivisa (1,00), di formato ICD-10 (13/13) e di ATC obsoleto (5/5) erano per lo più corrette. Quelle di DCI (0,19), sale/composto base (0,26) e ATC duplicato (0/4) non lo erano, e quelle di ICD-11 restano indeterminate (1/2).

Circa lo 0,9% delle etichette dei farmaci sono errate (≈312 su 34.207; 0,5% con i limiti inferiori dell'IC 95% della precisione). Si tratta di un limite inferiore rispetto al richiamo (recall). Gli errori si concentrano in urdu (39 ogni 1.000 etichette), persiano (35), russo (28) e hindi (25), contro 2–4 ogni 1.000 nelle principali lingue in alfabeto latino (escluso l'inglese). Comprendono:

• nomi commerciali (Seroquel, Lyrica, Arcoxia);
• testo in inglese ed errori di ortografia;
• un nome di persona non pertinente: fa «mohamad» su belimumab;
• etichette che nominano un'altra sostanza («pregabalin» su flumechina, «omeprazole» su esomeprazolo).

In ICD-10 (P494), il 2,5% dei valori non è valido, esclusi gli intervalli; 44 mostrano la stessa corruzione da codice ripetuto («B2424.» per HIV/AIDS, «I10-I1515.» per l'ipertensione). In ATC, il 3,3% delle dichiarazioni sono codici sostituiti (elenco delle modifiche dell'OMS) ma ancora con rango normale.

Sei dei sette errori della nostra revisione precedente (un controllo esplorativo di 59 farmaci per trattamenti cronici e 34 malattie croniche) erano ancora presenti; il settimo era stato corretto solo in parte.

Proponiamo 135 correzioni, esaminate una per una dall'agente dello studio, come proposta QuickStatements (corrections.qs). La proposta non è stata applicata: prima occorre ricontrollare ogni lastrevid e discuterne al WikiProject Medicine. Non abbiamo modificato Wikidata.