Logiciel de recherche médicale: réduction de 60% du traitement manuel des données

API

Amélioration du logiciel

Web

Innowise a mis en œuvre une logiciel de recherche médicale pour un fournisseur d'ontologies, incorporant la recherche pilotée par l'IA, des tableaux de bord personnalisés et l'intégration d'ontologies dans l'infrastructure d'une société de recherche chimique.

Client

Industrie

Soins de santé

Région

Client depuis

2022

Notre client, une entité de premier plan dans le domaine des ontologies, opère en Allemagne. L'entreprise est spécialisée dans le développement de technologies qui permettent d'extraire des informations à partir de données structurées et non structurées, et de les transformer en connaissances pour la recherche, les découvertes et la prise de décision. Son expertise s'étend à la chimie, à la biologie et aux domaines scientifiques connexes. Elle possède un vaste système d'ontologie, un cadre structuré de termes et de concepts scientifiques interconnectés.

Les informations détaillées concernant le client ne peuvent être divulguées en vertu des termes de l'accord de confidentialité.

Défi

Fonctions de recherche et d'annotation limitées, complexité de la création de tableaux de bord et traitement manuel des documents par le système existant.

Les principaux défis auxquels notre client était confronté s'articulaient autour de trois axes principaux : développement d'un front-end pour leur système de recherche basé sur l'intelligence artificielle, automatisant visualisation des données dans les logiciels de recherche médicale, et l'intégration de leurs ontologies dans le système d'une société de recherche chimique existante :

Développement de l'interface du système de recherche alimenté par IA : Le principal défi du client était d'améliorer l'interface de son système de recherche basé sur une ontologie, conçu pour les plateformes web et mobiles. Ce système faisait partie intégrante de la gestion d'une vaste collection d'articles scientifiques. La mise à niveau devait faciliter les capacités de recherche, la visualisation des sources et l'annotation des concepts et des termes scientifiques dans divers formats de documents. Les limites du système précédent, notamment l'absence de filtres de recherche et de fonctionnalités d'annotation, empêchaient la pleine utilisation de leur base de données scientifique.
Automatisation de la visualisation des données pour la recherche scientifique :< Le client devait relever le défi de l'automatisation de la visualisation des données pour l'analyse de ses données scientifiques. Le système requis devait aider les scientifiques des données à identifier, préparer et valider les données, ainsi qu'à créer des tableaux de bord informatifs. Cela était crucial pour classer et relier les entités médicales, identifier les cibles moléculaires pour les nouveaux produits pharmaceutiques, et faciliter la recherche sur les maladies.
Intégration d'un système d'ontologie dans la recherche chimique : L'intégration des ontologies du client dans le système existant d'une société de recherche chimique a représenté un défi unique. L'ancien système de l'entreprise dépendait fortement de processus manuels pour le traitement des documents et la saisie des données. Notre tâche consistait à moderniser ce système en automatisant l'analyse des documents et le chargement des bases de données, en développant une nouvelle interface et en mettant en place un système de gestion des ontologies système dorsal. Ce système devait prendre en charge deux rôles d'utilisateur distincts : les personnes chargées de télécharger et de modifier les documents et les administrateurs chargés d'examiner et de confirmer ces entrées.

Solution

Système de recherche alimenté par IA, tableaux de bord automatisés et intégration transparente des ontologies dans la recherche chimique

L'équipe d'Innowise s'est concentrée sur trois aspects clés du projet :

Amélioration d'un produit spécialisé Système de recherche alimenté par IA pour les interfaces web et mobiles.
Automatisation de la visualisation des données pour la recherche pharmaceutique grâce à des tableaux de bord dynamiques.
Intégration d'une ontologie dans le système d'une entreprise de recherche chimique, ce qui a permis de moderniser l'analyse des documents et la gestion des bases de données.

Améliorer le système de recherche dans les logiciels de recherche médicale

Notre équipe s'est concentrée sur le développement et l'amélioration d'un système de recherche spécialisé alimenté par IA - un sous-système clé au sein d'un cadre plus large, conçu pour les interfaces web et mobiles. Cette tâche impliquait de multiples améliorations techniques et fonctionnelles :

Recherche avancée de documents : Nous avons permis au système d'effectuer des recherches approfondies dans différents formats de documents à partir d'un vaste référentiel documentaire. Le système a permis aux utilisateurs de localiser les documents, de visualiser les sources internes et externes, et d'identifier les concepts scientifiques clés et les annotations mises en évidence dans ces documents.
Annotation et catégorisation : La possibilité pour les utilisateurs de sélectionner des mots ou des billets spécifiques dans les documents et de les affecter à des domaines pertinents pour l'annotation constituait une caractéristique essentielle. Nous avons intégré des fonctions d'intelligence artificielle basées sur le GPT pour guider les utilisateurs dans l'annotation et la catégorisation correctes de chaque terme ou entité.
Processus de soumission: Lorsque des modifications sont apportées à un document ou que de nouvelles informations y sont ajoutées, le système facilite le processus de révision. Les utilisateurs pouvaient soumettre ces modifications, qui étaient ensuite envoyées à un administrateur pour l'attribution d'un statut et l'approbation des nouvelles annotations, des commentaires ou des catégorisations.
Fonctions d'interrogation et d'analyse : Les utilisateurs peuvent désormais sélectionner des documents dans une grande base de données et les ajouter à un panier collectif. Ils peuvent ensuite interroger ces documents à l'aide de la barre de recherche de l'analyseur, en posant des questions spécifiques ou en demandant des résumés et des analyses fondés sur les critères suivants Technologie GPT.
Développement de filtres personnalisés : Notre développeur a créé des filtres sophistiqués pour la recherche de documents, adaptés aux différents types de sources.
Défis liés à la visualisation des documents : L'une des tâches complexes consistait à développer une visionneuse de documents capable d'afficher les annotations marquées sur les documents PDF. Cette tâche a nécessité une coordination complexe au niveau du back-end pour que les annotations soient correctement superposées.
Révision du code et de l'architecture de l'héritage : Nous avons relevé les défis posés par les codes hérités et le manque de structure architecturale, en veillant à ce que le système repose sur des bases technologiques solides et modernes.
Intégration de plusieurs versions de GPT : Notre équipe a amélioré le système avec plusieurs versions de GPT (3.5, 4, Davinci), permettant une analyse plus polyvalente des documents.
Intégration du LLM : Innowise s'est concentré sur le développement d'un LLM personnalisé qui permet aux utilisateurs de saisir des requêtes en langage naturel. Une fois les requêtes converties en demandes back-end, elles peuvent être envoyées au serveur.

Data science dashboard automation

Notre équipe science des données s'est concentrée sur l'automatisation de la visualisation des données par le biais de tableaux de bord, un élément crucial pour la recherche du client dans l'identification de cibles moléculaires pour de nouveaux traitements pharmaceutiques. Les principales maladies étudiées étaient l'obésité et les maladies musculaires.

Création de tableaux de bord : L'objectif de l'équipe était de créer des tableaux de bord pour visualiser les données pharmaceutiques. Pour ce faire, elle a dû traiter de vastes ensembles de données, c'est-à-dire un grand nombre d'articles médicaux annotés avec des identifiants et des métadonnées uniques, afin de former des tableaux GBQ de grande taille.
Visualisation des données: Utilisation Studio Looker, dans un premier temps, nous avons transformé ces grands tableaux de données en formats plus petits et plus faciles à gérer pour la création de tableaux de bord. Cette étape de visualisation était nécessaire pour que les experts puissent mieux examiner et filtrer les données.
Automatisation du tableau de bord : Après approbation par les experts médicaux, nous avons automatisé la création du tableau de bord en utilisant des techniques d'ingénierie des données. Il s'agissait d'utiliser des référentiels contenant des scripts SQL pour récupérer les informations requises. Ces scripts ont été programmés pour être exécutés à des intervalles spécifiques, garantissant ainsi que les tableaux de bord restent à jour avec les derniers résultats de la recherche.
Mises à jour et intégration continues : Notre solution a permis l'intégration continue de nouvelles publications pertinentes dans les tableaux de bord. Ce processus de mise à jour dynamique a été facilité par Google Cloud Functions. Il a permis de maintenir les tableaux de bord à jour avec les données les plus récentes.
Management des requêtes : Nous avons traité les requêtes à travers de grands tableaux, en extrayant des informations spécifiques basées sur les requêtes de recherche. L'équipe a ensuite visualisé ces statistiques dans les tableaux de bord et a identifié les problèmes liés aux requêtes de recherche.

Intégration d'ontologies dans la recherche chimique

Notre projet consistait à intégrer les ontologies de notre client dans le logiciel de gestion de laboratoire d'une entreprise de recherche chimique. Cette tâche impliquait plusieurs étapes clés pour moderniser et automatiser leur système obsolète :

Analyse et recherche de systèmes : Nous avons commencé par une analyse et une recherche approfondies du système existant du client. Ce système Le logiciel de gestion de laboratoire, principalement utilisé pour stocker des rapports et des résultats de recherche, était basé sur d'anciens logiciels de gestion de laboratoire Java et les technologies JSP.
Développement d'une nouvelle interface et d'un nouveau back-end : Notre approche comprenait le développement d'une nouvelle interface et d'un système dorsal pour automatiser le processus d'analyse des documents et de mise à jour de la base de données, qui était auparavant effectué manuellement.
Types d'utilisateurs et fonctionnalités : Nous avons conçu le système pour répondre à deux types d'utilisateurs distincts :
Chargeur de documents : Les chercheurs qui ajoutent des documents au système. Une fois qu'un document est annoté, il apparaît sur une page spéciale où le téléchargeur peut examiner les résultats, apporter des modifications et confirmer la soumission à la base de données.
Administrateur : Responsable de l'examen et de la confirmation des ajouts de documents. Ce rôle implique un examen complet des documents, avec la possibilité d'éditer, d'approuver ou d'apporter des modifications avant la saisie finale dans la base de données.
Développement du back-end et révision du code existant : Notre développeur a entrepris la tâche de réviser le code existant. Il s'agissait d'écrire des pages JSP conformément aux spécifications du client et de développer les fonctionnalités du back-end (requêtes, réponses, traitement des données et entrée dans la base de données).
Développement de l'interface d'administration : Nous avons également développé une partie administrative du système où l'administrateur (généralement le chef du département de recherche) reçoit une notification avec un lien vers l'interface affichant les informations de la base de données.
Intégration de API ontologique : Le cœur de notre solution consistait à intégrer l'API de l'ontologie dans le logiciel de gestion de laboratoire du client. Cette API a servi de point d'envoi des requêtes liées aux documents et de réception des réponses, qui ont ensuite été traitées et affichées par le biais de l'interface avant d'être envoyées à la base de données du client.
Traitement des documents et des données : Dans ce système, les documents téléchargés dans le système ontologique étaient traités et les données obtenues étaient enregistrées dans la base de données de recherche chimique de l'entreprise. Cela a permis l'analyse automatique des documents et la récupération d'informations importantes sur les composés chimiques.
Développement full-stack: Notre développeur a travaillé comme un ingénieur full-stack, s'occupant à la fois des aspects front-end et back-end et assurant une intégration transparente de tous les composants du système.

Technologies

Langages de programmation

JavaScript, TypeScript, Java

Front-end

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

Back-end

Spring Boot, Java avec les bibliothèques Lucene, Stardog

Science des données et analyse

Python (Pandas, Numpy, Plotly, Matplotlib), GCP (Google Big Query, Google Cloud Storage, Cloud Run), Looker, Data Studio, Apache Solr, outils personnalisés pour le traitement et la visualisation des données.

Processus

Notre approche du processus de développement était méthodique et adhérait aux principes Agile, ce qui garantissait la flexibilité et l'amélioration continue.

Au départ, nous avons mené des recherches approfondies pour comprendre les besoins du client et les systèmes existants afin de produire un document détaillé sur la vision et la portée du projet. Sur la base des résultats initiaux, nous avons procédé à la conception et au développement des fonctionnalités nécessaires pour chaque volet. Notre équipe a tenu des réunions sprint régulières pour confirmer que notre travail correspondait aux attentes du client. Toutes les fonctionnalités ont été mises en œuvre et soumises à des tests rigoureux de performance et de précision, avec un retour d'information continu de la part du client.

Pour une communication efficace et le suivi des projets, nous avons utilisé les outils Microsoft et Monday.com, garantissant un processus transparent et des mises à jour en temps réel.

Équipe

Chef de projet

Développeurs React

Développeurs Java

ML/Python Développeur

Ingénieurs en données

Résultats

50% processus d'annotation plus rapide, 60% réduction de la manipulation manuelle des données, et multiplication par 3 de la vitesse de recherche des données pour les scientifiques.

Dans le cadre de notre collaboration avec le client, qui porte sur trois domaines clés, nous avons réalisé des progrès considérables dans l'amélioration de ses capacités de recherche scientifique. Voici un aperçu des résultats obtenus :

Rationalisation des opérations de recherche : Les efforts de notre équipe pour affiner le système de recherche ont permis de doubler la vitesse de recherche, ce qui a profité aux chercheurs dans leur quête d'un accès rapide aux données scientifiques.
Précision des annotations : L'introduction du système d'annotation automatisé a permis d'améliorer la précision des annotations, un facteur essentiel pour les études scientifiques approfondies.
Efficacité accrue dans le traitement des données : En automatisant les processus de visualisation des données, nous avons effectivement réduit de moitié le temps que les chercheurs consacraient à la manipulation manuelle des données, ce qui leur a permis de consacrer plus de temps à leurs activités de recherche principales.
Amélioration de la vitesse de traitement des données : Les vitesses de traitement et de visualisation des données ont été multipliées par trois, ce qui a permis de faire un bond en avant dans le traitement des ensembles de données complexes.
Expérience utilisateur optimisée : L'interface utilisateur modernisée de nos systèmes a entraîné une augmentation notable de la satisfaction des utilisateurs, ce qui favorise un meilleur engagement au sein de la communauté scientifique.
Temps de recherche libéré : L'automatisation des tâches de routine a permis de réduire de 60% le traitement manuel des données, libérant ainsi le temps des chercheurs, auparavant accaparé par le travail manuel.

Actuellement, notre équipe spécialisée continue à travailler avec diligence sur le système, en se concentrant sur le développement de LLM afin d'affiner et d'améliorer le système du client.

Durée du projet

Juillet 2022 - En cours

60%

réduction du traitement manuel des données

augmentation de la vitesse de recherche des données

50%

un processus d'annotation plus rapide

Exemples de projets similaires

Contactez nous!

Réserver un appel ou remplissez le formulaire ci-dessous et nous vous contacterons dès que nous aurons traité votre demande.

Nom

Entreprise

Courriel :

Téléphone

Message S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes nécessaires et d'autres informations pertinentes

S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes
nécessaires et d'autres informations pertinentes

Joindre des documents supplémentaires au besoin

Charger file

Vous pouvez joindre jusqu'à 1 fichier de 2MB au total. Fichiers valides : pdf, jpg, jpeg, png

Nous vous informons que lorsque vous cliquez sur le bouton Envoyer, Innowise traitera vos données personnelles conformément à notre Politique de confidentialité dans le but de vous fournir des informations appropriées.

Que se passe-t-il ensuite?

Après avoir reçu et traité votre demande, nous reviendrons vers vous pour détailler les besoins de votre projet et signer un accord de non-divulgation pour assurer la confidentialité des informations.

Après avoir examiné les exigences, nos analystes et nos développeurs élaborent une proposition de projet avec l'étendue des travaux, le nombre de membre de l'équipe, les délais et les coûts des coûts.

Nous organisons une réunion avec vous pour discuter de l'offre et parvenir à un accord.

Nous signons un contrat et commençons à travailler sur votre projet le plus rapidement possible.

Logiciel de recherche médicale: réduction de 60% du traitement manuel des données

Client

Défi

Fonctions de recherche et d'annotation limitées, complexité de la création de tableaux de bord et traitement manuel des documents par le système existant.

Solution

Système de recherche alimenté par IA, tableaux de bord automatisés et intégration transparente des ontologies dans la recherche chimique

Améliorer le système de recherche dans les logiciels de recherche médicale

Data science dashboard automation

Intégration d'ontologies dans la recherche chimique

Technologies

Processus

Équipe

Résultats

50% processus d'annotation plus rapide, 60% réduction de la manipulation manuelle des données, et multiplication par 3 de la vitesse de recherche des données pour les scientifiques.

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit^●s développer
logiciel ensemble!

Faire une autre demande

Fermer

Logiciel de recherche médicale: réduction de 60% du traitement manuel des données

Client

Défi

Fonctions de recherche et d'annotation limitées, complexité de la création de tableaux de bord et traitement manuel des documents par le système existant.

Solution

Système de recherche alimenté par IA, tableaux de bord automatisés et intégration transparente des ontologies dans la recherche chimique

Améliorer le système de recherche dans les logiciels de recherche médicale

Data science dashboard automation

Intégration d'ontologies dans la recherche chimique

Technologies

Processus

Équipe

Résultats

50% processus d'annotation plus rapide, 60% réduction de la manipulation manuelle des données, et multiplication par 3 de la vitesse de recherche des données pour les scientifiques.

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit●s développer logiciel ensemble!

S'abonner à à notre bulletin d'information

Faire une autre demande

Fermer

Soit^●s développer
logiciel ensemble!

S'abonner à
à notre bulletin d'information