S4 — Flerspråkig kvalitet hos läkemedelsnamn i Wikidata

Sammanfattning

Wikidata är en CC0-kunskapsgraf vars flerspråkiga etiketter återanvänds av infoboxar på Wikipedia, tjänster för översättning av identifierare och flerspråkig termsökning. Vi frös etiketterna för alla 3 768 Wikidata-objekt som har en ATC-kod (P267) på 20 språk (34 207 etiketter), plus 10 823 objekt med ICD-10-/ICD-11-koder. Sju regelbaserade detektorer flaggar etiketter i fel skriftsystem, varumärkesnamn, sammanblandning av salt och modersubstans, delade etiketter, avvikelser från WHO:s INN, felformaterade ICD-koder och föråldrade ATC-koder. Ett stratifierat slumpmässigt urval av 118 flaggor granskades en och en av studieagenten, en LLM-baserad agent (se paper.md §3.1).

Flaggorna för skriftsystem (0,71 läkemedel, 0,93 sjukdomar), varumärke (0,83), delad etikett (1,00), ICD-10-format (13/13) och föråldrad ATC (5/5) var till största delen korrekta. Flaggorna för INN (0,19), salt/modersubstans (0,26) och dubblerad ATC (0/4) var det inte, och ICD-11 är obestämt (1/2).

Omkring 0,9 % av läkemedelsetiketterna är felaktiga (≈312 av 34 207; 0,5 % vid de nedre gränserna för precisionens 95 % KI). Detta är en nedre gräns med avseende på recall. Felen är koncentrerade till urdu (39 per 1 000 etiketter), persiska (35), ryska (28) och hindi (25), mot 2–4 per 1 000 i de stora språken med latinsk skrift (engelska undantaget). De omfattar:

varumärkesnamn (Seroquel, Lyrica, Arcoxia);
engelsk text och felstavningar;
ett orelaterat personnamn: fa ”mohamad” på belimumab;
etiketter som anger en annan substans (”pregabalin” på flumekin, ”omeprazole” på esomeprazol).

I ICD-10 (P494) är 2,5 % av värdena ogiltiga, intervall undantagna; 44 uppvisar samma korruption med upprepad kod (”B2424.” för hiv/aids, ”I10-I1515.” för högt blodtryck). I ATC är 3,3 % av påståendena koder som har ersatts (WHO:s ändringslista) men fortfarande har rangen normal.

Sex av de sju felen från vår tidigare granskning (en explorativ kontroll av 59 läkemedel för kronisk behandling och 34 kroniska sjukdomar) fanns fortfarande kvar; det sjunde var bara delvis åtgärdat.

Vi föreslår 135 rättelser, granskade en och en av studieagenten, som ett QuickStatements-förslag (corrections.qs). Förslaget har inte tillämpats: kontrollera först varje lastrevid på nytt och diskutera i WikiProject Medicine. Vi har inte redigerat Wikidata.

Citera den här studien

Referens

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}
}

Sammanfattning

Citera den här studien

Relaterade studier