Über den Kunden
Elinext ist eine weltweit anerkannte Software-Engineering- und IT-Beratungsgruppe sowie ein Unternehmen für medizinische Softwareentwicklung mit Entwicklungszentren und Geschäftsstellen in Europa und der Asien-Pazifik-Region.
Diese Initiative begann als internes F&E-Projekt mit dem Ziel, die Interpretation von Labortestergebnissen für den Endnutzer zu vereinfachen. Durch die Bereitstellung einer medizinischen KI-Chatbot-Entwicklung arbeiteten wir an einem LLM-gestützten Agenten, der medizinische Daten in klarer, personalisierter Sprache erklären kann. Die Elinext-Entwickler schufen ein Basisprodukt. Ähnlich wie Elinexts frühere interne Frameworks, die sich später zu Beschleunigern für Gesundheitswesen, Fintech und IoT-Lösungen entwickelten, ist dieses Projekt auf zukünftige Skalierbarkeit ausgelegt und für seine zukünftige Anwendung konzipiert.
Geschäftliche Herausforderung
Das Projekt zielte darauf ab, einen virtuellen medizinischen Assistenten zu entwickeln, der Patienten dabei hilft, ihre Labortestergebnisse in einfacher, zugänglicher Sprache zu verstehen. Im Wesentlichen geht es um die Entwicklung medizinischer KI-Chatbots, da wir über umfassende Erfahrung in der Bereitstellung maßgeschneiderter Chatbot-Entwicklung verfügen.
Über die Beantwortung von Fragen hinaus zielte die Lösung auf Folgendes ab:
- Analyse hochgeladener PDFs und Bilder von medizinischen Berichten
- Extraktion der relevanten Daten
- Bereitstellung personalisierter Erklärungen, auf die Patienten leicht reagieren konnten
Auf der technischen Seite der medizinischen KI-Chatbot-Entwicklung war eine der Haupthürden die begrenzte Flexibilität bestimmter LlamaIndex-Komponenten bei der Anpassung der Retrieval-Augmented Generation (RAG) Pipeline. Das Erreichen der gewünschten Anpassungsebene erforderte eine tiefgreifende Erkundung der Dokumentation, die Überprüfung des Quellcodes und die Entwicklung gezielter Workarounds – um sicherzustellen, dass die Lösung genaue, kontextbewusste Antworten liefert, ohne die Systemstabilität oder Kompatibilität zu beeinträchtigen.
Der Entwicklungsprozess
Stufe 1: Basis-Chatbot – 1 Woche
Aufbau eines ersten Konversationsassistenten, der PDF- und Bild-Uploads von Laborergebnissen verarbeiten, die Daten analysieren und Antworten basierend auf seinem internen Wissen bereitstellen kann.
Stufe 2: RAG-Pipeline – 3 Wochen
Entwicklung von Skripten zum Scraping autoritativer medizinischer Quellen über Labortests und deren Speicherung in der Qdrant-Vektordatenbank. Implementierung einer fortschrittlichen RAG-Pipeline mit Techniken für verbesserte Retrieval-Funktionen und Tests ihrer Leistung.
Stufe 3: Feedback-Sammlung und Präferenzoptimierung – 4 Wochen
Erforschung von LLM-Feinabstimmungs- und Präferenzoptimierungsmethoden, Implementierung des Feedback-Sammelsystems und Entwicklung von Skripten für Fine-Tuning mit DPO und QLoRA, ergänzt durch die Bereitstellung von QA Dienstleistungen.
Überblick über das Endprodukt
Wir haben unserem Kunden Dienstleistungen zur individuellen Softwareentwicklung bereitgestellt. Das Ergebnis ist ein medizinischer Chatbot-Assistent, eine monolithische Anwendung, die auf einem modernen Technologie-Stack basiert: FastAPI treibt das Backend an, Qdrant dient als Vektordatenbank für semantische Suche, und das Frontend ist mit Angular und Tailwind CSS (TypeScript) implementiert.
Der medizinische Chatbot-Assistent hilft Patienten dabei, ihre Labortestergebnisse in einfacher, zugänglicher Sprache zu interpretieren und zu verstehen. Durch den Einsatz von KI im Labor lässt sich die Analyse komplexer Testergebnisse für Patienten transparenter und verständlicher gestalten.
Über eine natürliche Sprachschnittstelle können Benutzer dank unserer medizinischen KI-Chatbot-Entwicklung:
- PDF- oder Bilddateien mit ihren Laborberichten hochladen
- Klare Erklärungen medizinischer Begriffe und Testwerte erhalten
- Follow-up-Fragen für zusätzlichen Kontext oder Klarstellungen stellen
- Auf vertrauenswürdige medizinische Informationen im Zusammenhang mit ihren Ergebnissen zugreifen
- Sofortige Antworten erhalten, ohne auf medizinisches Fachpersonal warten zu müssen
- Das Tool jederzeit nutzen, um sich besser auf Beratungen mit ihrem Arzt vorzubereiten
Das System kombiniert vorherige Erfahrungen mit LangChain und LangGraph für schnelle Prototypenerstellung und Validierung, eine robuste RAG-Pipeline mit hybrider Suche und semantischer Chunking für präzise Retrieval-Funktionen sowie Feinabstimmungsmethoden wie DPO mit QLoRA für verbesserte Reasoning- und Kommunikationsfähigkeiten. Zur Validierung der Leistung wurde die Ragas-Bibliothek integriert, um die Retrieval-Qualität an synthetischen Datensätzen zu benchmarken.
Das Endprodukt ist ein medizinischer Chatbot-Assistent, nicht nur eine interne Innovation, sondern auch eine skalierbare Grundlage für zukünftige gesundheitsorientierte Softwarelösungen, die eine klare, patientenfreundliche Kommunikation komplexer medizinischer Informationen ermöglicht. Gleichzeitig ist das System als internes Projekt konzipiert und kann in jedem Bereich angewendet werden, in dem eine strukturierte Wissensbasis vorhanden ist – vom Gesundheitswesen über Bildung, Kundenservice bis hin zum Unternehmens-Wissensmanagement. Aufgrund seines aktuellen internen Fokus ist das Produkt nicht an medizinische regulatorische Anforderungen gebunden, legt aber den Grundstein für zukünftige Anpassungen, die bei Bedarf an Industriestandards angepasst werden könnten.
Geschäftliche Auswirkungen für den Kunden
Während des Projekts erwarb Elinext bedeutende Expertise im Design und der Optimierung fortschrittlicher Retrieval-Augmented Generation (RAG) Systeme und in der medizinischen KI-Chatbot-Entwicklung. Das Team stärkte sein Wissen über Techniken wie Query-Rewriting, hybride Suche und semantisches Chunking, während es auch automatisierte Evaluations-Workflows mit der Ragas-Bibliothek übernahm. Parallel dazu lieferten praktische Experimente mit Direct Preference Optimization (DPO) und QLoRA praktische Erfahrungen in der präferenzbasierten Feinabstimmung, was zu einem natürlicheren, genaueren und benutzerfreundlicheren Konversationsfluss führte.
Ein weiteres wichtiges Ergebnis der medizinischen KI-Chatbot-Entwicklung war die Etablierung einer modularen Chatbot-Architektur, die Retrieval- und Konversationsschichten klar trennt. Diese Designentscheidung verbessert die Wartbarkeit, ermöglicht gezielte Optimierung und bietet eine Blaupause für zukünftige Projekte, bei denen Skalierbarkeit und Anpassungsfähigkeit kritisch sind.
Derzeit ist die Software nach der medizinischen KI-Chatbot-Entwicklung nicht konform mit den Vorschriften zum Schutz medizinischer Daten. Um vollständige Compliance zu erreichen, müssten zusätzliche Funktionen für den sicheren Umgang mit sensiblen Gesundheitsinformationen, einschließlich verschlüsselter Speicherung und kontrolliertem Zugang zu Patientenfeedback, integriert werden.
