This is a hidden post summary. It displays in the editor only.*
Die Herausforderung
Medizinischen Fachjargon und Suchanfragen in Alltagssprache zusammenbringen
Unser Kunde zählt zu den größten Diagnostikunternehmen Polens und führt jährlich über 140 Millionen Tests durch. Das Online-Portal mit einem Katalog von mehr als 2.500 Laboruntersuchungen ist eine zentrale Informationsquelle für rund 20 Millionen Patientinnen und Patienten.
Doch genau diese Informationsfülle stellte eine Herausforderung dar: Trotz vorhandener Suchfunktion war die Navigation durch das umfangreiche Angebot alles andere als intuitiv. Der ElasticSearch-basierte Suchmechanismus beruhte ausschließlich auf medizinisch-fachlicher Terminologie. Wer in Alltagssprache suchte, bekam häufig keine passenden Ergebnisse. Die Folgen:
- Unpräzise Suchergebnisse: Die Treffer wurden zufällig sortiert und zeigten keine verwandten Inhalte an – zum Beispiel keine Tests, die zu einem bestimmten Krankheitsbild passen könnten.
- Fehlermeldung „Keine Ergebnisse gefunden“: Diese erschien selbst dann, wenn relevante Tests vorhanden waren – allerdings nur, wenn man die exakte medizinische Bezeichnung verwendete.
- Frust bei Usern: Viele brachen die Suche frustriert ab – mit spürbaren Auswirkungen auf die Nutzung und Buchung von Tests.
-
KPIs
Improving metadata for 2500+ lab tests
-
Project Timeline
June 2024
Das Ziel
Intuitive Suchanfragen für alle Patienten
Das zentrale Ziel dieses Projekts war es, die Suchfunktion auf der Online-Plattform unseres Kunden grundlegend zu verbessern. Patientinnen und Patienten sollten schnell und einfach die passenden Labortests finden – auch dann, wenn sie keine Fachbegriffe verwenden. Dafür konzentrierten wir uns auf drei Schwerpunkte:
- Genauigkeit verbessern: Die Suchmaschine sollte intelligenter werden – und auch dann passende Ergebnisse liefern, wenn Suchanfragen ungenau oder umgangssprachlich formuliert sind.
- Relevanz erhöhen: Durch optimierte Ranking-Algorithmen sollten die relevantesten und am häufigsten gesuchten Tests ganz oben erscheinen.
- Skalierbarkeit sichern: Die Lösung sollte mit dem Portal mitwachsen – und neue Tests sollten sich flexibel integrieren lassen, ohne das Nutzererlebnis zu beeinträchtigen. Auch für künftige Technologien bleibt das System offen.
-
Der erste Schritt bestand darin, den Fokus zu verändern: Weg von der reinen Optimierung der Suchmaschine (ElasticSearch), hin zur Verbesserung der Datenqualität. Im Zentrum standen die Metadaten und die Struktur der Testbeschreibungen. Ziel war es, Suchergebnisse für die Nutzerinnen und Nutzer nicht nur genauer, sondern auch relevanter zu gestalten.
-
Im nächsten Schritt reicherten wir die bestehenden Testdaten mit zusätzlicher Metainformation an – darunter Synonyme, verwandte Erkrankungen und passende Schlagwörter. Mithilfe sogenannter Chain-of-Thought-Prompts erzeugten wir passgenaue, inhaltlich korrekte Synonyme für die jeweiligen Labortests. Die Ergebnisse wurden anschließend vom medizinischen Fachgremium des Kunden geprüft und validiert.
-
Um die Genauigkeit bei längeren oder komplexeren Suchanfragen weiter zu verbessern, setzten wir auf einen hybriden Ansatz: klassische Schlagwortsuche (BM25) kombiniert mit semantischer Suchtechnologie. So konnten wir die Suchintention der Nutzerinnen und Nutzer deutlich besser erfassen – vor allem bei mehrdeutigen Begriffen oder mehrteiligen Formulierungen.
Die Lösung
KI-gestützte Elasticsearch-Optimierung
Die Verbesserung der Suchleistung endete nicht mit der KI-angereicherten Vektor-Datenbank. SUNZINET erarbeitete zusätzlich einen ausführlichen Maßnahmenkatalog, den der Kunde schrittweise umsetzen kann. Um das volle Potenzial von Elasticsearch auszuschöpfen und langfristig von der Optimierung zu profitieren, empfahlen wir folgende Schritte:
Feste Suchregeln definieren
Nur gezielt für bestimmte Tests oder Kampagnen einsetzen – so bleibt das System skalierbar.
Datenstruktur optimieren
Keine langen Beschreibungstexte indexieren – stattdessen auf strukturierte, standardisierte Daten setzen.
Test-Set erstellen
Ein Set häufig gesuchter Begriffe definieren, um die Suchqualität dauerhaft zu messen und zu sichern.
A/B-Tests durchführen
Neue Funktionen wie Tags oder Metadaten zunächst testen – so lässt sich der tatsächliche Nutzen für Nutzerinnen und Nutzer validieren, bevor sie vollständig integriert werden.
Nutzerhistorie einbeziehen
Ergebnisse & Wirkung
Skalierbarkeit durch Datenqualität
Unser Ansatz beschränkte sich nicht auf kurzfristige Verbesserungen der Suchfunktion – er schuf die Grundlage für nachhaltiges Wachstum. Durch den Fokus auf strukturierte Metadaten und konsistente Datenqualität kann der Kunde seine Suche kontinuierlich weiterentwickeln – auch dann, wenn neue Tests hinzukommen oder sich die Anforderungen der Patientinnen und Patienten verändern.
Dank KI-gestützter Metadaten und einer optimierten Datenstruktur ist die Suchmaschine heute deutlich leistungsfähiger. Das senkt die Frustration bei den Usern, steigert die Interaktion mit dem Portal – und erhöht letztlich auch die Zahl der Testbuchungen.
Mit dem klaren Fokus auf Datenqualität statt schneller Zwischenlösungen hat das Unternehmen eine zukunftssichere Lösung geschaffen: Sie verbessert die Patientenerfahrung und sorgt gleichzeitig für mehr Effizienz im Betrieb.
