S4 — Wikidata vaistų pavadinimų daugiakalbė kokybė

Santrauka

Wikidata – CC0 žinių grafas, kurio daugiakalbes etiketes pakartotinai naudoja Vikipedijos informaciniai langeliai (infobox), identifikatorių vertimo paslaugos ir daugiakalbė terminų paieška. Užfiksavome visų 3768 Wikidata elementų, turinčių ATC kodą (P267), etiketes 20 kalbų (34 207 etiketės), taip pat 10 823 elementų su ICD-10/ICD-11 kodais etiketes. Septyni taisyklėmis grindžiami detektoriai žymi etiketes netinkamu raštu, prekių pavadinimus, druskos ir pagrindinės medžiagos neatitikimus, bendras etiketes, nukrypimus nuo PSO tarptautinių nepatentuotų pavadinimų (INN), netinkamo formato ICD kodus ir pasenusius ATC kodus. Sluoksninę atsitiktinę 118 žymų imtį po vieną peržiūrėjo tyrimo agentas – LLM pagrįstas agentas (žr. paper.md §3.1).

Rašto (0,71 vaistų, 0,93 ligų), prekės pavadinimo (0,83), bendros etiketės (1,00), ICD-10 formato (13/13) ir pasenusio ATC (5/5) žymos daugiausia buvo teisingos. INN (0,19), druskos ir pagrindinės medžiagos (0,26) ir pasikartojančio ATC (0/4) žymos – ne, o ICD-11 rezultatas neapibrėžtas (1/2).

Apie 0,9 % vaistų etikečių yra klaidingos (≈312 iš 34 207; 0,5 % taikant apatines 95 % PI tikslumo (precision) ribas). Išsamumo (recall) atžvilgiu tai apatinė riba. Klaidos telkiasi urdų (39 iš 1000 etikečių), persų (35), rusų (28) ir hindi (25) kalbose, palyginti su 2–4 iš 1000 pagrindinėse lotyniško rašto kalbose (neskaitant anglų). Tarp jų:

prekių pavadinimai (Seroquel, Lyrica, Arcoxia);
tekstas anglų kalba ir rašybos klaidos;
nesusijęs asmenvardis: fa „mohamad“ prie belimumabo;
etiketės, nurodančios kitą medžiagą („pregabalin“ prie flumekvino, „omeprazole“ prie ezomeprazolo).

ICD-10 (P494) atveju 2,5 % reikšmių yra negaliojančios, neskaitant kodų intervalų; 44 rodo tą patį pasikartojančio kodo sugadinimą („B2424.“ ŽIV/AIDS atveju, „I10-I1515.“ hipertenzijos atveju). ATC atveju 3,3 % teiginių yra pakeisti kodai (PSO pakeitimų sąrašas), tačiau vis dar turintys rangą normal.

Šešios iš septynių mūsų ankstesnės peržiūros klaidų (žvalgomasis 59 lėtinio gydymo vaistų ir 34 lėtinių ligų patikrinimas) tebebuvo; septintoji ištaisyta tik iš dalies.

Siūlome 135 pataisas, kurias po vieną peržiūrėjo tyrimo agentas, kaip QuickStatements pasiūlymą (corrections.qs). Pasiūlymas nepritaikytas: pirmiausia iš naujo patikrinkite kiekvieną lastrevid ir aptarkite WikiProject Medicine bendruomenėje. Wikidata neredagavome.

Cituokite šį tyrimą

Bibliografinė nuoroda

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}
}

Santrauka

Cituokite šį tyrimą

Susiję tyrimai