Improving the identification of confused drug names in Spanish
Notice bibliographique
Résumé
Since a drug name goes through different communication means and circumstances when it is prescribed, written, advertised, listened to, searched and administered; it tends to be confused with similar drug names that Look-Alike and Sound-Alike (LASA). LASA drug names have caused costs and damage to health. For this problem, the institutions of the United Kingdom, Canada, and the United States have implemented programs for several decades to report lists of confusing drug names pairs. Thanks to these kinds of list, it has been possible to propose new models to identify confusing drug names in English and are used to reject new drug name proposals or to alert when a confusing drug name is being dispensed. However, countries such as Spain also have published a list with the Spanish LASA drug names, and it is not clear enough whether the models previously proposed for the drug names in English are useful for the list in Spanish or if it is necessary to adjust and update them for the Spanish language. This paper focuses on updating and improving the identification of LASA drug names in Spanish. First, we update the state-of-the-art by evaluating all the individual similarity measures proposed previously and all the models that combine these measures with the list in Spanish. Second, we updated the models with new individual measures and then adjusted them with the list in Spanish to improve the identification of LASA drug names in Spanish. After that, 25 individual similarity measures and 8 models to identify confused drug names in Spanish are compared to obtain the best result and conclusions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».