S4 — Zāļu nosaukumu daudzvalodu kvalitāte Wikidata

Kopsavilkums

Wikidata ir CC0 zināšanu grafs, kura daudzvalodu etiķetes atkārtoti izmanto Vikipēdijas infokastes, identifikatoru tulkošanas pakalpojumi un daudzvalodu terminu meklēšana. Mēs iesaldējām visu 3768 Wikidata vienumu, kuriem ir ATC kods (P267), etiķetes 20 valodās (34 207 etiķetes), kā arī 10 823 vienumu ar ICD-10/ICD-11 kodiem etiķetes. Septiņi uz noteikumiem balstīti detektori atzīmē etiķetes nepareizā rakstībā, zīmolu nosaukumus, sāls un pamatvielas neatbilstības, kopīgas etiķetes, atkāpes no PVO starptautiskajiem nepatentētajiem nosaukumiem (INN), nepareiza formāta ICD kodus un novecojušus ATC kodus. Stratificētu nejaušu 118 atzīmju izlasi pa vienai pārskatīja pētījuma aģents, uz LLM balstīts aģents (sk. paper.md §3.1).

Rakstības (0,71 zālēm, 0,93 slimībām), zīmola (0,83), kopīgas etiķetes (1,00), ICD-10 formāta (13/13) un novecojuša ATC (5/5) atzīmes lielākoties bija pareizas. INN (0,19), sāls un pamatvielas (0,26) un dublēta ATC (0/4) atzīmes nebija pareizas, un ICD-11 rezultāts nav noteikts (1/2).

Aptuveni 0,9 % zāļu etiķešu ir kļūdainas (≈312 no 34 207; 0,5 % pie precizitātes (precision) 95 % TI apakšējām robežām). Attiecībā uz pārklājumu (recall) tā ir apakšējā robeža. Kļūdas koncentrējas urdu (39 uz 1000 etiķetēm), persiešu (35), krievu (28) un hindi (25) valodā, salīdzinot ar 2–4 uz 1000 lielākajās latīņu rakstības valodās (izņemot angļu). Starp tām ir:

zīmolu nosaukumi (Seroquel, Lyrica, Arcoxia);
teksts angļu valodā un pareizrakstības kļūdas;
nesaistīts personvārds: fa „mohamad“ pie belimumaba;
etiķetes, kas nosauc citu vielu („pregabalin“ pie flumekvīna, „omeprazole“ pie esomeprazola).

ICD-10 (P494) gadījumā 2,5 % vērtību ir nederīgas, neskaitot diapazonus; 44 uzrāda vienu un to pašu atkārtota koda bojājumu („B2424.“ HIV/AIDS gadījumā, „I10-I1515.“ hipertensijas gadījumā). ATC gadījumā 3,3 % apgalvojumu ir aizstāti kodi (PVO izmaiņu saraksts), kuriem joprojām ir rangs normal.

Sešas no septiņām kļūdām no mūsu iepriekšējās pārskatīšanas (izpētes pārbaude 59 hroniskas ārstēšanas zālēm un 34 hroniskām slimībām) joprojām bija sastopamas; septītā bija izlabota tikai daļēji.

Mēs ierosinām 135 labojumus, ko pa vienam pārskatīja pētījuma aģents, kā QuickStatements priekšlikumu (corrections.qs). Priekšlikums nav piemērots: vispirms atkārtoti pārbaudiet katru lastrevid un apspriediet to WikiProject Medicine kopienā. Mēs neesam rediģējuši Wikidata.

Citējiet šo pētījumu

Atsauce

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}
}

Kopsavilkums

Citējiet šo pētījumu

Saistītie pētījumi