Meertalige kwaliteit van geneesmiddelnamen in Wikidata

Wikidata is een CC0-kennisgraaf waarvan de meertalige labels worden hergebruikt door infoboxen op Wikipedia, diensten die identificatoren vertalen en meertalig zoeken op termen. We hebben de labels bevroren van alle 3.768 Wikidata-items met een ATC-code (P267) in 20 talen (34.207 labels), plus 10.823 items met ICD-10/ICD-11-codes. Zeven regelgebaseerde detectoren markeren labels in het verkeerde schrift, merknamen, verwisselingen van zout en moederverbinding, gedeelde labels, afwijkingen van de INN van de WHO, misvormde ICD-codes en verouderde ATC-codes. Een gestratificeerde aselecte steekproef van 118 markeringen is een voor een beoordeeld door de studieagent, een op een LLM gebaseerde agent (zie paper.md §3.1).

De markeringen voor schrift (0,71 geneesmiddelen, 0,93 ziekten), merk (0,83), gedeeld label (1,00), ICD-10-formaat (13/13) en verouderde ATC (5/5) waren grotendeels juist. Die voor INN (0,19), zout/moederverbinding (0,26) en dubbele ATC (0/4) niet, en ICD-11 is onbepaald (1/2).

Ongeveer 0,9% van de geneesmiddellabels is fout (≈312 van 34.207; 0,5% bij de ondergrenzen van de 95%-BI's voor de precisie). Dit is een ondergrens wat de recall betreft. De fouten concentreren zich in het Urdu (39 per 1.000 labels), Perzisch (35), Russisch (28) en Hindi (25), tegenover 2–4 per 1.000 in de grote talen met Latijns schrift (Engels niet meegerekend). Het gaat onder meer om:

• merknamen (Seroquel, Lyrica, Arcoxia);
• Engelse tekst en spelfouten;
• een niet-gerelateerde persoonsnaam: fa “mohamad” bij belimumab;
• labels die een andere stof noemen (“pregabalin” bij flumequine, “omeprazole” bij esomeprazol).

In ICD-10 (P494) is 2,5% van de waarden ongeldig, bereiken niet meegerekend; 44 vertonen dezelfde corruptie door een herhaalde code (“B2424.” voor hiv/aids, “I10-I1515.” voor hypertensie). In ATC is 3,3% van de beweringen een code die is vervangen (wijzigingslijst van de WHO) maar nog steeds de rang normaal heeft.

Zes van de zeven fouten uit onze eerdere review (een verkennende controle van 59 geneesmiddelen voor chronische behandeling en 34 chronische ziekten) waren nog aanwezig; de zevende was slechts gedeeltelijk verholpen.

We stellen 135 correcties voor, een voor een beoordeeld door de studieagent, als QuickStatements-voorstel (corrections.qs). Het voorstel is niet toegepast: controleer eerst elke lastrevid opnieuw en bespreek het bij WikiProject Medicine. We hebben Wikidata niet bewerkt.