Calitatea multilingvă a denumirilor de medicamente din Wikidata

Wikidata este un graf de cunoștințe CC0 ale cărui etichete multilingve sunt reutilizate de casetele de informații (infobox) din Wikipedia, de serviciile de traducere a identificatorilor și de căutarea multilingvă de termeni. Am înghețat etichetele tuturor celor 3.768 de elemente Wikidata care au un cod ATC (P267) în 20 de limbi (34.207 etichete), plus 10.823 de elemente cu coduri ICD-10/ICD-11. Șapte detectoare bazate pe reguli semnalează etichete în sistemul de scriere greșit, denumiri comerciale, nepotriviri sare/compus de bază, etichete partajate, abateri de la DCI a OMS, coduri ICD malformate și coduri ATC învechite. Un eșantion aleatoriu stratificat de 118 semnalări a fost revizuit una câte una de agentul studiului, un agent bazat pe un LLM (vezi paper.md §3.1).

Semnalările de scriere (0,71 la medicamente, 0,93 la boli), de denumire comercială (0,83), de etichetă partajată (1,00), de format ICD-10 (13/13) și de ATC învechit (5/5) au fost în mare parte corecte. Cele de DCI (0,19), sare/compus de bază (0,26) și ATC duplicat (0/4) nu au fost, iar ICD-11 rămâne nedeterminat (1/2).

Aproximativ 0,9 % dintre etichetele de medicamente sunt greșite (≈312 din 34.207; 0,5 % la limitele inferioare ale IÎ 95 % ale preciziei). Aceasta este o limită inferioară în ceea ce privește sensibilitatea (recall). Erorile se concentrează în urdu (39 la 1.000 de etichete), persană (35), rusă (28) și hindi (25), față de 2–4 la 1.000 în principalele limbi cu alfabet latin (exclusiv engleza). Acestea includ:

• denumiri comerciale (Seroquel, Lyrica, Arcoxia);
• text în engleză și greșeli de ortografie;
• un nume de persoană fără legătură: fa „mohamad” la belimumab;
• etichete care denumesc o altă substanță („pregabalin” la flumechină, „omeprazole” la esomeprazol).

În ICD-10 (P494), 2,5 % dintre valori sunt invalide, fără a număra intervalele; 44 prezintă aceeași corupere prin cod repetat („B2424.” pentru HIV/SIDA, „I10-I1515.” pentru hipertensiune). În ATC, 3,3 % dintre declarații sunt coduri înlocuite (lista de modificări a OMS), dar încă având rangul normal.

Șase dintre cele șapte erori din evaluarea noastră anterioară (o verificare exploratorie a 59 de medicamente pentru tratament cronic și 34 de boli cronice) erau încă prezente; a șaptea fusese corectată doar parțial.

Propunem 135 de corecturi, revizuite una câte una de agentul studiului, sub forma unei propuneri QuickStatements (corrections.qs). Propunerea nu a fost aplicată: mai întâi trebuie reverificat fiecare lastrevid, iar propunerea trebuie discutată în WikiProject Medicine. Nu am editat Wikidata.