Qualidade multilingue dos nomes de medicamentos no Wikidata

O Wikidata é um grafo de conhecimento CC0 cujas etiquetas multilingues são reutilizadas pelas caixas de informação da Wikipédia, por serviços de tradução de identificadores e pela pesquisa multilingue de termos. Congelámos as etiquetas de todos os 3768 itens do Wikidata que têm um código ATC (P267) em 20 línguas (34 207 etiquetas), mais 10 823 itens com códigos CID-10/CID-11. Sete detetores baseados em regras assinalam etiquetas no sistema de escrita errado, nomes comerciais, discrepâncias sal/composto-base, etiquetas partilhadas, desvios em relação à DCI da OMS, códigos CID mal formados e códigos ATC obsoletos. Uma amostra aleatória estratificada de 118 alertas foi revista um a um pelo agente do estudo, um agente baseado num LLM (ver paper.md §3.1).

Os alertas de escrita (0,71 em medicamentos, 0,93 em doenças), de nome comercial (0,83), de etiqueta partilhada (1,00), de formato CID-10 (13/13) e de ATC obsoleto (5/5) estavam maioritariamente corretos. Os de DCI (0,19), sal/composto-base (0,26) e ATC duplicado (0/4) não estavam, e o de CID-11 é indeterminado (1/2).

Cerca de 0,9% das etiquetas de medicamentos estão erradas (≈312 de 34 207; 0,5% com os limites inferiores do IC 95% da precisão). Trata-se de um limite inferior no que respeita à revocação (recall). Os erros concentram-se em urdu (39 por 1000 etiquetas), persa (35), russo (28) e hindi (25), contra 2–4 por 1000 nas principais línguas de escrita latina (excluindo o inglês). Incluem:

• nomes comerciais (Seroquel, Lyrica, Arcoxia);
• texto em inglês e erros ortográficos;
• um nome de pessoa sem relação: fa «mohamad» no belimumab;
• etiquetas que nomeiam outra substância («pregabalin» na flumequina, «omeprazole» no esomeprazol).

Na CID-10 (P494), 2,5% dos valores são inválidos, excluindo intervalos; 44 apresentam a mesma corrupção por código repetido («B2424.» para VIH/SIDA, «I10-I1515.» para hipertensão). No ATC, 3,3% das declarações são códigos substituídos (lista de alterações da OMS), mas continuam com classificação normal.

Seis dos sete erros da nossa revisão anterior (uma verificação exploratória de 59 medicamentos de tratamento crónico e 34 doenças crónicas) continuavam presentes; o sétimo só tinha sido parcialmente corrigido.

Propomos 135 correções, revistas uma a uma pelo agente do estudo, sob a forma de uma proposta QuickStatements (corrections.qs). A proposta não foi aplicada: primeiro, é preciso voltar a verificar cada lastrevid e discuti-la no WikiProject Medicine. Não editámos o Wikidata.