Software für die medizinische Forschung: 60% weniger manuelle Datenverarbeitung

Innowise führte für einen Ontologieanbieter ein vielfältiges Upgrade der medizinischen Forschungssoftware durch, das KI-gesteuerte Suche, benutzerdefinierte Daten-Dashboards und die Integration der Ontologie in die Infrastruktur eines chemischen Forschungsunternehmens beinhaltete.

Der Kunde

Branche

Gesundheitswesen

Region

Kunde seit

2022

Unser Kunde, ein führendes Unternehmen im Bereich der Ontologie, ist in Deutschland tätig. Das Unternehmen ist auf die Entwicklung von Technologien spezialisiert, die Informationen aus strukturierten und unstrukturierten Daten extrahieren und in Wissen für Forschung, Entdeckungen und Entscheidungsfindung umwandeln. Ihre Expertise erstreckt sich über Chemie, Biologie und verwandte wissenschaftliche Gebiete. Sie besitzen ein riesiges Ontologiesystem, ein strukturiertes Gerüst aus miteinander verbundenen wissenschaftlichen Begriffen und Konzepten.

Detaillierte Information über den Kunden kann im Rahmen der NDA nicht offengelegt werden.

Herausforderung

Eingeschränkte Such- und Anmerkungsfunktionen, Komplexität bei der Dashboard-Erstellung und manuelle Handhabung von Dokumenten

Die wichtigsten Herausforderungen, denen sich unser Kunde gegenübersah, konzentrierten sich auf drei Hauptbereiche: die Entwicklung eines Front-End für sein KI-gestütztes Suchsystem, die Automatisierung Datenvisualisierung-Tools in medizinischen Forschungssoftware und die Integration seiner Ontologien in das System eines bestehenden chemischen Forschungsunternehmens:

Entwicklung des Front-Ends eines KI-gestützten Suchsystems: Die primäre Herausforderung des Kunden bestand darin, das Front-End seines ontologiebasierten Suchsystems zu verbessern, das auf Web- und mobile Plattformen zugeschnitten ist. Dieses System war für die Verwaltung einer umfangreichen Sammlung von wissenschaftlichen Artikeln unerlässlich. Das Upgrade erforderte die Erleichterung der Suchfunktionen, die Anzeige von Quellen und die Kommentierung wissenschaftlicher Konzepte und Begriffe in verschiedenen Dokumentformaten. Die Einschränkungen des bisherigen Systems, insbesondere das Fehlen von Suchfiltern und Annotationsfunktionen, behinderten die vollständige Nutzung ihrer wissenschaftlichen Datenbank.
Automatisierung der Datenvisualisierung für die wissenschaftliche Forschung: Der Kunde stand vor der Herausforderung, die Datenvisualisierung für seine wissenschaftliche Datenanalyse zu automatisieren. Das erforderliche System zur Unterstützung von Datenwissenschaftlern bei der Identifizierung, Vorbereitung und Validierung von Daten sowie bei der Erstellung informativer Dashboards. Dies war entscheidend für die Klassifizierung und Verknüpfung medizinischer Einheiten, die Identifizierung molekularer Ziele für neue Arzneimittel und die Erleichterung der Erforschung von Krankheiten.
Integration von Ontologiesystemen in die chemische Forschung: Integration der Ontologien des Kunden in das bestehende System eines Chemieforschungsunternehmens stellte eine einzigartige Herausforderung dar. Das Legacy-System des Unternehmens war stark von manuellen Prozessen für die Dokumentenverarbeitung und Dateneingabe abhängig. Unsere Aufgabe bestand darin, dieses System zu modernisieren, indem wir Dokumentenanalysen und Datenbank-Uploads automatisierten, eine neue Schnittstelle entwickelten und ein Backend-System einrichteten. Dieses System musste zwei verschiedene Benutzerrollen unterstützen: Personen, die für das Hochladen und Bearbeiten von Dokumenten verantwortlich sind, und Administratoren, die diese Einträge überprüfen und bestätigen.

Lösung

KI-gestütztes Suchsystem, automatisierte Dashboards und nahtlose Ontologie-Integration in der chemischen Forschung

Innowise konzentrierte sich bei dem Projekt auf drei Schlüsselaspekte:

Verbesserung eines spezialisierten KI-gestützten Suchsystems für Web- und mobile Schnittstellen.
Automatisierung der Datenvisualisierung für die pharmazeutische Forschung durch dynamische Dashboards.
Integration einer Ontologie in das System eines chemischen Forschungsunternehmens, wodurch die Dokumentenanalyse und das Datenbankmanagement modernisiert werden.

Verbesserung des Suchsystems in Software für die medizinische Forschung

Unser Team konzentrierte sich auf die Entwicklung und Verbesserung eines spezialisierten KI-gestützten Suchsystems - ein Schlüsselsubsystem in einem größeren Rahmen, das für Web- und mobile Schnittstellen entwickelt wurde. Diese Aufgabe umfasste mehrere technische und funktionale Verbesserungen:

Erweiterte Dokumentensuche: Wir haben es dem System ermöglicht, aus einem riesigen Dokumenten-Repository eingehende Suchen in verschiedenen Dokumentenformaten durchzuführen. Das System ermöglichte es Benutzern, Dokumente zu lokalisieren, interne und externe Quellen anzuzeigen und wichtige wissenschaftliche Konzepte und Anmerkungen zu identifizieren, die in diesen Dokumenten hervorgehoben wurden.
Beschriftung und Kategorisierung: Ein wichtiges Feature war die Möglichkeit für Benutzer, bestimmte Wörter oder Tickets innerhalb von Dokumenten auszuwählen und sie relevanten Domänen für Anmerkungen zuzuweisen. Wir haben GPT-basierte KI-Funktionen integriert, um Benutzer bei der korrekten Kommentierung und Kategorisierung jedes Begriffs oder jeder Entität zu unterstützen.
Einreichungs- und Überprüfungsverfahren: Nach Änderungen oder dem Hinzufügen neuer Informationen zu einem Dokument erleichterte das System einen Überprüfungsprozess. Benutzer können diese Änderungen einreichen, die dann an einen Administrator zur Statuszuweisung und Genehmigung der neuen Anmerkungen, Kommentare oder Kategorisierungen gesendet werden.
Abfrage- und Analysefunktionen: Benutzer können nun Dokumente aus einer großen Datenbank auswählen und zu einem Sammelkorb hinzufügen. Sie können diese Dokumente dann über die Suchleiste im Analyzer abfragen, spezifische Fragen stellen oder Zusammenfassungen und Analysen basierend auf der GPT-Technologie anfordern.
Entwicklung kundenspezifischer Filter:: Unser Entwickler hat ausgefeilte Filter für die Dokumentensuche erstellt, die auf verschiedene Quellentypen zugeschnitten sind.
Herausforderungen bei der Anzeige von Dokumenten: Eine der komplexen Aufgaben war die Entwicklung eines Document Viewers, der in der Lage ist, markierte Anmerkungen in PDF-Dokumenten anzuzeigen. Dies erforderte eine komplexe Backend-Koordination, um Anmerkungen korrekt zu überlagern.
Überarbeitung von altem Code und Architektur: Wir haben uns mit den Herausforderungen von Legacy-Code und fehlender architektonischer Struktur auseinandergesetzt, um sicherzustellen, dass das System auf soliden, modernen technologischen Grundlagen basiert.
Integration von mehreren GPT-Versionen: Unser Team hat das System mit mehreren Versionen von GPT (3.5, 4, Davinci) erweitert, um eine vielseitigere Dokumentenanalyse zu ermöglichen.
LLM-Integration: Innowise konzentrierte sich auf die benutzerdefinierte LLM-Entwicklung, mit der Benutzer Abfragen in natürlicher Sprache eingeben können. Sobald die Abfragen in Back-End-Anfragen umgewandelt wurden, können sie an den Server gesendet werden.

Automatisierung von Data-Science-Dashboards

Unsere Data-Science-Team konzentrierte sich auf die Automatisierung der Datenvisualisierung durch Dashboards, eine wichtige Komponente für die Forschung des Kunden bei der Identifizierung molekularer Ziele für neue pharmazeutische Behandlungen. Zu den untersuchten Grunderkrankungen gehörten Übergewicht und Muskelerkrankungen.

Dashboard-Erstellung: Ziel des Teams war es, Dashboards zur Visualisierung pharmazeutischer Daten zu erstellen. Dabei wurden große Datensätze verarbeitet, bei denen es sich um eine große Anzahl kommentierter medizinischer Artikel mit eindeutiger ID und Metadaten handelt, um große GBQ-Tabellen zu bilden.
Datenvisualisierung: Mit Looker Studio haben wir diese großen Datentabellen in kleinere, übersichtlichere Formate für die Dashboard-Erstellung umgewandelt. Dieser Visualisierungsschritt war für Experten notwendig, um Daten besser überprüfen und filtern zu können.
Dashboard-Automatisierung: Nach der Genehmigung durch medizinische Experten automatisierten wir die Erstellung des Dashboards mithilfe von Data-Engineering-Techniken. Dazu wurden Repositories mit SQL-Skripten verwendet, um die erforderlichen Informationen abzurufen. Diese Skripte wurden so geplant, dass sie in bestimmten Zeitabständen ausgeführt wurden, um sicherzustellen, dass die Dashboards stets auf dem neuesten Stand der Forschungsergebnisse waren.
Fortlaufende Aktualisierung und Integration: Unsere Lösung ermöglichte die kontinuierliche Integration neuer relevanter Publikationen in die Dashboards. Dieser dynamische Aktualisierungsprozess wurde durch Google Cloud Functions erleichtert. Es wurden Dashboards mit den neuesten Daten aktualisiert.
Verwaltung von Abfragen: Wir bearbeiteten Abfragen über große Tabellen und zogen spezifische Informationen basierend auf Suchanfragen heraus. Das Team visualisierte diese Statistiken in den Dashboards und identifizierte alle Probleme in den Suchanfragen.

Ontologie-Integration in der chemischen Forschung

Unser Projekt konzentrierte sich auf die Integration der Ontologien unseres Kunden in eine etablierte Labormanagementsoftware bei einem chemischen Forschungsunternehmen. Diese Aufgabe umfasste mehrere wichtige Schritte zur Modernisierung und Automatisierung seines veralteten Systems:

Systemanalyse und Forschung: Wir begannen mit einer gründlichen Analyse und Recherche des Legacy-Systems des Kunden. Diese Laborverwaltungssoftware, die hauptsächlich zur Speicherung von Berichten und Forschungsergebnissen verwendet wird, basierte auf älteren Java und JSP-Technologien.
Entwicklung neuer Schnittstelle und Back-End: Unser Ansatz umfasste die Entwicklung einer neuen Schnittstelle und eines Back-End-Systems zur Automatisierung des Prozesses der Dokumentenanalyse und Datenbankaktualisierung, der zuvor manuell durchgeführt wurde.
Benutzertypen und Funktionalitäten: Wir haben das System für zwei verschiedene Benutzertypen entwickelt:
Dokument-Uploader: Forscher, die dem System Dokumente hinzufügen. Nachdem ein Dokument kommentiert wurde, wird es auf einer speziellen Seite angezeigt, auf der der Uploader die Ergebnisse überprüfen, Änderungen vornehmen und die Übermittlung an die Datenbank bestätigen kann.
Verwalter: Verantwortlich für die Überprüfung und Bestätigung von Dokumentenergänzungen. Diese Rolle beinhaltet eine umfassende Überprüfung von Dokumenten mit der Möglichkeit, vor dem endgültigen Datenbankeintrag zu bearbeiten, zu genehmigen oder Änderungen vorzunehmen.
Backend-Entwicklung und Überarbeitung von Legacy-Code: Unser Entwickler übernahm die Aufgabe, den vorhandenen Legacy-Code zu überarbeiten. Dies beinhaltete das Schreiben von JSP-Seiten nach Kundenspezifikationen und die Entwicklung von Backend-Funktionalitäten (Anfragen, Antworten, Datenverarbeitung und Datenbankeintrag).
Entwicklung der Verwaltungsoberfläche: Wir haben auch einen Verwaltungsteil des Systems entwickelt, bei dem der Admin (in der Regel der Leiter der Forschungsabteilung) eine Benachrichtigung mit einem Link zur Schnittstelle erhält, die Informationen aus der Datenbank anzeigt.
Ontology-API-Integration: Der Kern unserer Lösung war die Integration der Ontology-API in die Laborverwaltungssoftware des Kunden. Diese API diente als Punkt zum Senden von dokumentbezogenen Abfragen und zum Empfangen von Antworten, die dann verarbeitet und über das Frontend angezeigt wurden, bevor sie an die Datenbank des Kunden gesendet wurden.
Dokumenten- und Datenverarbeitung: In diesem System wurden Dokumente verarbeitet, die in das ontologische System hochgeladen wurden, und die resultierenden Daten wurden in der chemischen Forschungsdatenbank des Unternehmens gespeichert. Dies ermöglichte die automatische Analyse von Dokumenten und das Abrufen wichtiger Informationen zu chemischen Verbindungen.
Full-Stack-Entwicklung: Unser Entwickler arbeitete als Full-Stack-Ingenieur, der sich sowohl mit Front-End- als auch Back-End-Aspekten befasste und eine nahtlose Integration aller Systemkomponenten sicherstellte.

Technologien

Programiersprachen

JavaScript, TypeScript, Java

Frontend

React, react-pdf, Redux, Redux-thunk, React-redux, Primereact, SASS, Lodash, Axios, FileSaver, GPT-Tokenizer

Backend

Spring Boot, Java mit Lucene-Bibliotheken, Stardog

Datenwissenschaft und Analytik

Python (Pandas, Numpy, Plotly, Matplotlib), GCP (Google Big Query, Google Cloud Storage, Cloud Run), Looker, Data Studio, Apache Solr, benutzerdefinierte Tools für die Datenverarbeitung und Visualisierung

Prozess

Unser Ansatz für den Entwicklungsprozess war methodisch und hielt sich an agilen Prinzipien, die Flexibilität und kontinuierliche Verbesserung sicherstellten.

Zu Beginn führten wir gründliche Recherchen durch, um die Bedürfnisse des Kunden und die vorhandenen Systeme zu verstehen, um ein detailliertes 'Vision and Scope' Dokument zu liefern. Basierend auf den ersten Erkenntnissen haben wir die notwendigen Features für jeden Stream entworfen und entwickelt. Unser Team hielt regelmäßig Sprint-Meetings ab, um zu bestätigen, dass unsere Arbeit mit den Kundenerwartungen übereinstimmte. Alle Funktionen wurden implementiert und strengen Tests auf Leistung und Genauigkeit unterzogen, wobei der Kunde kontinuierliches Feedback gab.

Für eine effektive Kommunikation und Projektverfolgung haben wir Microsoft-Tools und Monday.com verwendet, um einen transparenten Prozess und Echtzeit-Updates zu gewährleisten.

Team

Projektmanager

React-Entwickler

Java-Entwickler

ML/Python-Entwickler

Dateningenieure

Ergebnisse

50% schnellerer Annotationsprozess, 60% weniger manuelle Datenverarbeitung und dreifache Geschwindigkeitssteigerung bei der Datensuche für Wissenschaftler

In unserer Zusammenarbeit mit dem Kunden, die drei Schlüsselströme umfasst, haben wir erhebliche Fortschritte bei der Weiterentwicklung seiner wissenschaftlichen Forschungskapazitäten gemacht. Hier eine Momentaufnahme der tatsächlichen Ergebnisse:

Rationalisierte Suchvorgänge: Die Bemühungen unseres Teams bei der Verfeinerung des Suchsystems führten zu einer Verdoppelung der Suchgeschwindigkeit, was Forschern bei ihrer Suche nach einem schnellen Zugang zu wissenschaftlichen Daten zugutekam.
Präzision der Anmerkungen: Die Einführung des automatisierten Annotationssystems führte zu einer erhöhten Annotationsgenauigkeit, einem kritischen Faktor für eingehende wissenschaftliche Studien.
Höhere Effizienz bei der Datenverarbeitung: Durch die Automatisierung von Datenvisualisierung-Prozessen haben wir die Zeit, die Forscher für die manuelle Datenverarbeitung aufwenden, effektiv halbiert, was zu mehr Zeit für Kernforschungsaktivitäten führt.
Erhöhte Geschwindigkeit der Datenverarbeitung: Datenverarbeitung und -visualisierung wurden um das Dreifache beschleunigt, was einen großen Fortschritt bei der Verarbeitung komplexer Datensätze bedeutet.
Optimierte Benutzererfahrung: Die modernisierte Benutzeroberfläche unserer Systeme hat zu einem deutlichen Anstieg der Benutzerzufriedenheit geführt und ein besseres Engagement in der wissenschaftlichen Gemeinschaft gefördert.
Freigegebene Forschungszeit: Durch die Automatisierung von Routineaufgaben konnte die manuelle Datenverarbeitung um 60 % reduziert werden, so dass die Forscher mehr Zeit zur Verfügung hatten, die zuvor für manuelle Arbeiten benötigt wurde.

Derzeit arbeitet unser engagiertes Team weiterhin fleißig an dem System und konzentriert sich auf die Entwicklung von LLMs, um das System des Kunden weiter zu verfeinern und zu verbessern.

Projektdauer

Juli 2022 - Laufend

60%

Verringerung der manuellen Datenverarbeitung

Erhöhung der Geschwindigkeit bei der Datensuche

50%

schnellerer Anmerkungsprozess

Unsere aktuellen Fallstudien

Kontaktieren Sie uns!

Einen Anruf buchen oder füllen Sie das Formular unten aus und wir melden uns bei Ihnen, sobald wir Ihre Anfrage bearbeitet haben.

Name

Unternehmen

E-Mail

Telefon

Nachricht Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.

Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
und andere Infos bei.

Hängen Sie nach Bedarf zusätzliche Dokumente an.

Datei hochladen

Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

Bitte beachten Sie, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

Wie geht es weiter?

Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA (Vertraulichkeitserklärung) für die Vertraulichkeit der Informationen zu unterzeichnen.

Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung mit Ihnen zu treffen.

Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.

Brauchen Sie andere Services?

Softwareentwicklung für Medien und Unterhaltung

Unternehmen für Blockchain-Entwicklung

Ruby on Rails

Unternehmen für Java-Entwicklung

Unternehmen für JavaScript-Entwicklung

Unternehmen für Anwendungsentwicklung mit React Native

Unternehmen für Softwareentwicklung mit React.js

Unternehmen für KI-Chatbot-Entwicklung

AIOps Dienstleistungen

Blockchain-Beratungsservices

Services für Generative K.I. Entwicklung

API-Integrationsdienste für Zahlungsgateways

Software für die medizinische Forschung: 60% weniger manuelle Datenverarbeitung

Der Kunde

Herausforderung

Eingeschränkte Such- und Anmerkungsfunktionen, Komplexität bei der Dashboard-Erstellung und manuelle Handhabung von Dokumenten

Lösung

KI-gestütztes Suchsystem, automatisierte Dashboards und nahtlose Ontologie-Integration in der chemischen Forschung

Verbesserung des Suchsystems in Software für die medizinische Forschung

Automatisierung von Data-Science-Dashboards

Ontologie-Integration in der chemischen Forschung

Technologien

Prozess

Team

Ergebnisse

50% schnellerer Annotationsprozess, 60% weniger manuelle Datenverarbeitung und dreifache Geschwindigkeitssteigerung bei der Datensuche für Wissenschaftler

Unsere aktuellen Fallstudien

Kontaktieren Sie uns!

Wie geht es weiter?

Brauchen Sie andere Services?

Gemeinsam Software entwickeln ^●

Schließen

Software für die medizinische Forschung: 60% weniger manuelle Datenverarbeitung

Der Kunde

Herausforderung

Eingeschränkte Such- und Anmerkungsfunktionen, Komplexität bei der Dashboard-Erstellung und manuelle Handhabung von Dokumenten

Lösung

KI-gestütztes Suchsystem, automatisierte Dashboards und nahtlose Ontologie-Integration in der chemischen Forschung

Verbesserung des Suchsystems in Software für die medizinische Forschung

Automatisierung von Data-Science-Dashboards

Ontologie-Integration in der chemischen Forschung

Technologien

Prozess

Team

Ergebnisse

50% schnellerer Annotationsprozess, 60% weniger manuelle Datenverarbeitung und dreifache Geschwindigkeitssteigerung bei der Datensuche für Wissenschaftler

Unsere aktuellen Fallstudien

Kontaktieren Sie uns!

Wie geht es weiter?

Brauchen Sie andere Services?

Gemein­sam Software entwickeln ●

Schließen

Gemeinsam Software entwickeln ^●