S4 — Viacjazyčná kvalita názvov liekov vo Wikidata

Abstrakt

Wikidata je znalostný graf pod licenciou CC0, ktorého viacjazyčné štítky preberajú infoboxy Wikipédie, služby na preklad identifikátorov a viacjazyčné vyhľadávanie termínov. Zmrazili sme štítky všetkých 3 768 položiek Wikidata, ktoré majú kód ATC (P267), v 20 jazykoch (34 207 štítkov) a k tomu 10 823 položiek s kódmi ICD-10/ICD-11. Sedem detektorov založených na pravidlách označuje štítky v nesprávnom písme, obchodné názvy, zámeny soli a materskej látky, zdieľané štítky, odchýlky od medzinárodných nechránených názvov WHO (INN), chybne formátované kódy ICD a zastarané kódy ATC. Stratifikovanú náhodnú vzorku 118 príznakov jednotlivo preskúmal agent štúdie, agent založený na LLM (pozri paper.md §3.1).

Príznaky písma (0,71 pri liekoch, 0,93 pri chorobách), obchodných názvov (0,83), zdieľaných štítkov (1,00), formátu ICD-10 (13/13) a zastaraných ATC (5/5) boli väčšinou správne. Príznaky INN (0,19), soľ/materská látka (0,26) a duplicitných ATC (0/4) správne neboli a pri ICD-11 je výsledok nerozhodnutý (1/2).

Približne 0,9 % štítkov liekov je chybných (≈312 zo 34 207; 0,5 % pri dolných hraniciach 95% IS presnosti). Ide o dolnú hranicu vzhľadom na úplnosť (recall). Chyby sa sústreďujú v urdčine (39 na 1 000 štítkov), perzštine (35), ruštine (28) a hindčine (25), oproti 2–4 na 1 000 v hlavných jazykoch písaných latinkou (bez angličtiny). Patria k nim:

obchodné názvy (Seroquel, Lyrica, Arcoxia);
anglický text a preklepy;
nesúvisiace osobné meno: fa „mohamad“ pri belimumabe;
štítky, ktoré pomenúvajú inú látku („pregabalin“ pri flumechíne, „omeprazole“ pri ezomeprazole).

V ICD-10 (P494) je 2,5 % hodnôt neplatných, bez rozsahov; 44 vykazuje rovnaké poškodenie opakovaným kódom („B2424.“ pre HIV/AIDS, „I10-I1515.“ pre hypertenziu). V ATC tvoria 3,3 % výrokov kódy, ktoré boli nahradené (zoznam zmien WHO), ale stále majú normálne postavenie.

Šesť zo siedmich chýb z nášho skoršieho preskúmania (prieskumnej kontroly 59 liekov na chronickú liečbu a 34 chronických ochorení) stále pretrvávalo; siedma bola opravená iba čiastočne.

Navrhujeme 135 opráv, ktoré jednotlivo preskúmal agent štúdie, ako návrh pre QuickStatements (corrections.qs). Návrh nebol vykonaný: najprv znova skontrolujte každé lastrevid a prediskutujte ho vo WikiProject Medicine. Wikidata sme neupravovali.

Citovať túto štúdiu

Citácia

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}
}

Abstrakt

Citovať túto štúdiu

Súvisiace štúdie