AI & Automation
250 days, 30-40% less effort: how we automated a European lab diagnostics company's business-critical screening system with AI
How did an operational filter testing process—involving hundreds of people and, in some cases, still existing only on paper—become a structured, searchable, and auditable system—and where did AI provide a real competitive advantage, from design to code?
Occupational health examinations have been a strictly regulated field in Hungary for decades. Decree No. 33/1998 (VI. 24.) NM sets forth the procedures for job suitability examinations. Although, as a general rule, mandatory general medical fitness examinations were abolished as of September 2024, the reality is more nuanced: a series of ministerial decrees specifies the job categories—ranging from operators of hazardous machinery to food industry workers—where such examinations remain mandatory.
At an industrial organization with several hundred employees, this obligation is not a one-time task but a continuously recurring operational cycle: scheduling, summoning employees, processing lab results, issuing fitness-for-duty opinions, and documentation. And all of this takes place annually—or even more frequently, depending on the job role.
The old process involved a great deal of manual work, and in some cases even used paper-based lab reports. Blood and urine samples were submitted, and the results were returned as PDFs, in which the company doctor had to search line by line for entries marked with an asterisk that exceeded the threshold values. This can be managed manually for one or two people, but not for hundreds of employees.
The main challenge was clear: the system had to accurately replicate the way an occupational physician actually works—while relieving them of most of the manual work.
At Gloster, we handle a wide variety of projects, ranging from the modernization of legacy systems to custom developments, and we’re incorporating more and more agentic AI tools. The project for the European laboratory diagnostics company was not a migration but a greenfield, custom development: we did not rewrite an old codebase, but rather digitized a process that involved a lot of manual work and was, in some cases, paper-based.
The goal was a single, end-to-end process; here’s what the path of a group study looks like:
One principle is key here: the results are displayed exactly as they were received from the lab, in the same units of measurement. There is no conversion, no recalculation. The validated lab value is the sole source—this is the foundation of clinical reliability and auditability.
Automating sampling saves time in and of itself, but the real value lies in the raw lab data. Since we receive this data directly, we make it transparent on multiple levels:
So the question isn't just how much a person is worth right now, but where that figure is headed, and how many people within a plant fall into the same category. The plant physician can step in where it's truly needed.
The backend system was built in .NET using Entity Framework, and the web frontend was built in Angular. Sample containers are labeled using a Zebra printer, and the database is relational—we ultimately chose PostgreSQL. For security reasons, we do not integrate directly with the lab’s system; this was a deliberate architectural decision regarding the handling of patient data.
AI played a role in the project in two ways, but the design aspect was what was really interesting.
We generated the prototypes using Figma AI. This allowed us to quickly create screens that reflected the sampling process, which we validated with the clinical staff even before development began—or right at the very start. They truly understand the process, so based on their feedback, we were able to tailor the interface to the client’s actual needs. This was the biggest help in understanding and modeling the process—not in writing the code.
We then used Claude to generate the actual front-end and back-end code. Our “human-in-the-loop” approach applies here as well: even in a greenfield project, responsibility and validation remain with humans, and the generated code is not deployed to the system without supervision.
In this case, AI did not replace the developer, but rather shortened the cycle of design and collaborative thinking.
This project by a European laboratory diagnostics company clearly demonstrates that agentic AI does not only significantly accelerate legacy modernization. It also provides a real competitive advantage in greenfield, custom development—especially where a precise understanding of the process is critical.
The difference can also be measured in numbers: the development project totaled roughly 250 workdays. Without AI, we estimate it would have taken 330–350 days— a 30–40% increase in effort for the same result.
The paper-based process has been replaced by structured, searchable, and auditable data. Future versions of the system will go beyond blood and urine samples: the roadmap also includes the processing of environmental samples, as well as air and soil testing.
What really matters to the occupational physician isn't the system itself—it's that he can now see where he needs to intervene. In a timely manner, not after the fact.
How a several-hundred-person occupational health screening process, in places still running on paper, became a structured, searchable, auditable system, and where AI delivered a genuine competitive edge, from design through to code.
Occupational health screening has been a strictly regulated area in Hungary for decades. Decree 33/1998 (VI. 24.) NM sets out the rules for workplace fitness-to-work examinations. Although the general mandatory medical fitness examination was abolished as the default rule from September 2024, the reality is more nuanced: a series of ministerial decrees still specify the roles (from operators of hazardous machinery to food-industry workers) for which the examination remains mandatory. For an industrial organisation with several hundred employees, this obligation isn't a one-off task, it's a continuously recurring operational cycle: scheduling, calling people in, handling lab results, fitness-to-work assessment, documentation. And all of it every year, or even more often depending on the role. The old process involved a great deal of manual work, in places still using paper lab forms. Blood and urine samples sent off, then results coming back as PDFs, in which the occupational health physician had to hunt, one by one, for the starred rows marking values outside the reference range. For one or two people, that's manageable by hand. Not for several hundred. The main goal was clear: the system should exactly mirror how an occupational health physician actually works, while taking most of the manual work off their plate.
At Gloster we run all kinds of projects, from modernising legacy systems to custom builds, and we're bringing more and more agentic AI tools into them. The European lab diagnostics company's project wasn't a migration, it was a greenfield, custom build: instead of rewriting an old codebase, we digitised a process that ran on a great deal of manual work, in places on paper. The goal was a single, traceable process.
Here's what a group screening looks like, step by step:
One principle is essential here: results appear exactly as they came from the lab, in the same unit of measurement. There's no conversion, no recalculation. The validated lab value is the only source: this is the basis of clinical reliability and auditability.
Automating sample collection saves time on its own, but the real value lies in the raw lab data. Because we receive it directly, we can make it transparent on several levels:
So the question isn't just what someone's value is right now, but where it's heading, and how many people at a given site it applies to. The occupational health physician can then step in exactly where it's actually needed.
The backend was built in .NET with Entity Framework, the web frontend in Angular. Sample containers are labelled using a Zebra printer, and the database is relational; the final choice was PostgreSQL. For security reasons, we don't integrate directly with the lab's own system, a deliberate architectural decision given how patient data is handled.
AI played a role at two points in the project, but the really interesting part was the design stage. We generated the prototypes with Figma AI. This let us quickly produce screens, matching the sampling process, which we validated with the occupational health physicians right at the outset, before development started. They're the ones who really understand the process, so their feedback let us tailor the interface to the client's actual needs. This is where AI helped most, in understanding and modelling the process, not in producing the code. We then generated the actual frontend and backend code with Claude. Our human-in-the-loop approach applies here too: even on a greenfield project, responsibility and validation stay with people, and generated code never enters the system without oversight. AI didn't replace the developer here: it shortened the design and joint-thinking cycle.
The European lab diagnostics company's project shows clearly that agentic AI doesn't just deliver meaningful speed gains in legacy modernisation. It's a genuine competitive advantage in greenfield, custom development too, especially where understanding the process precisely is the critical factor. The difference is measurable in numbers too: development came to roughly 250 working days in total. Without AI, our estimate is that the same result would have taken 330 to 350 days: 30 to 40 per cent more effort for the same outcome. The paper-based process has been replaced by structured, searchable, auditable data. And the system's next versions already go beyond blood and urine samples: the roadmap includes processing environmental samples, and air and soil testing. What actually matters to the occupational health physician isn't the system itself: it's that they can now see where they need to step in. In good time, not after the fact.
Wie aus einem betriebsärztlichen Vorsorgeuntersuchungsprozess mit mehreren hundert Beteiligten, der teils noch auf Papier lief, ein strukturiertes, durchsuchbares und auditierbares System wurde – und wo die KI von der Planung bis zum Code einen echten Wettbewerbsvorteil brachte.
Arbeitsmedizinische Vorsorgeuntersuchungen sind in Ungarn seit Jahrzehnten ein streng reguliertes Feld. Die Verordnung 33/1998 (VI. 24.) NM legt die Regeln für die arbeitsmedizinischen Eignungsuntersuchungen fest. Zwar entfiel die allgemeine verpflichtende ärztliche Eignungsuntersuchung ab September 2024 als Regelfall, doch die Realität ist differenzierter: Eine Reihe von Ministerialverordnungen legt weiterhin fest, für welche Tätigkeiten die Untersuchung verpflichtend bleibt – von Bedienerinnen und Bedienern gefährlicher Maschinen bis hin zu Beschäftigten in der Lebensmittelindustrie. Für ein Industrieunternehmen mit mehreren hundert Mitarbeitenden ist diese Pflicht keine einmalige Aufgabe, sondern ein fortlaufend wiederkehrender operativer Zyklus: Terminplanung, Einbestellung, Verwaltung der Laborergebnisse, arbeitsmedizinisches Gutachten, Dokumentation. Und all das jedes Jahr, je nach Tätigkeit sogar häufiger. Der bisherige Prozess war mit sehr viel manueller Arbeit verbunden, teilweise noch mit papierbasierten Laborbögen: eingesendete Blut- und Urinproben und anschließend als PDF zurückkommende Ergebnisse, in denen die Betriebsärztin oder der Betriebsarzt einzeln nach den mit einem Sternchen markierten Zeilen suchen musste, die den Grenzwert überschritten. Bei ein oder zwei Personen lässt sich das noch von Hand erledigen. Bei mehreren hundert nicht. Das zentrale Ziel war klar: Das System sollte genau den Prozess abbilden, wie eine Betriebsärztin oder ein Betriebsarzt tatsächlich arbeitet – und ihr oder ihm dabei einen Großteil der manuellen Arbeit von den Schultern nehmen.
Bei Gloster betreuen wir vielfältige Projekte – von der Modernisierung von Legacy-Systemen bis hin zu Individualentwicklungen – und setzen zunehmend agentische KI-Tools ein. Das Projekt des europäischen Labordiagnostik-Unternehmens war keine Migration, sondern eine Greenfield-Individualentwicklung: Statt eine alte Codebasis umzuschreiben, haben wir einen Prozess digitalisiert, der mit sehr viel manueller Arbeit verbunden war und teils auf Papier lief. Das Ziel war ein einziger, durchgängig nachvollziehbarer Prozess.
So sieht der Weg einer Gruppenuntersuchung aus:
Ein Prinzip ist hier entscheidend: Die Ergebnisse erscheinen genau so und in der Maßeinheit, in der sie vom Labor kommen. Es gibt keine Umrechnung, keine Konvertierung. Der validierte Laborwert ist die einzige Quelle – und damit die Grundlage für klinische Zuverlässigkeit und Auditierbarkeit.
Die Automatisierung der Probenentnahme spart für sich genommen bereits Zeit, der eigentliche Wert liegt jedoch in den rohen Labordaten. Da wir diese direkt erhalten, können wir sie auf mehreren Ebenen transparent machen:
Die entscheidende Frage ist also nicht nur, wie hoch ein Wert gerade ist, sondern wohin er sich entwickelt und für wie viele Personen innerhalb eines Betriebs dasselbe gilt. So kann die Betriebsärztin oder der Betriebsarzt genau dort eingreifen, wo es tatsächlich nötig ist.
Das Backend wurde in .NET mit Entity Framework entwickelt, das Web-Frontend in Angular. Die Probenbehälter werden mit einem Zebra-Drucker beschriftet; die Datenbank ist relational – die Wahl fiel auf PostgreSQL. Aus Sicherheitsgründen erfolgt keine direkte Integration in das System des Labors – eine bewusste architektonische Entscheidung im Hinblick auf den Umgang mit Patientendaten.
Die KI kam im Projekt an zwei Stellen zum Einsatz, der wirklich interessante Teil war jedoch die Designphase. Die Prototypen haben wir mit Figma AI erstellt. So ließen sich schnell die zum Probenentnahmeprozess passenden Bildschirme erzeugen, die noch vor Entwicklungsbeginn beziehungsweise ganz zu Anfang mit den Betriebsärztinnen und Betriebsärzten validiert wurden. Sie verstehen den Prozess wirklich, sodass sich die Oberfläche anhand ihres Feedbacks auf die tatsächlichen Bedürfnisse des Kunden zuschneiden ließ. Den größten Nutzen brachte das beim Verstehen und Modellieren des Prozesses – nicht bei der Erstellung des Codes. Den eigentlichen Frontend- und Backend-Code haben wir anschließend mit Claude generiert. Auch hier gilt unser Human-in-the-Loop-Ansatz: Selbst bei einem Greenfield-Projekt bleiben Verantwortung und Validierung beim Menschen; generierter Code gelangt nicht ohne Aufsicht in das System. Die KI hat hier nicht die Entwicklerin oder den Entwickler ersetzt, sondern den Zyklus aus Design und gemeinsamem Durchdenken verkürzt.
Das Projekt des europäischen Labordiagnostik-Unternehmens zeigt deutlich, dass agentische KI nicht nur bei der Legacy-Modernisierung einen echten Geschwindigkeitsgewinn bringt. Sie ist auch bei Greenfield-Individualentwicklungen ein echter Wettbewerbsvorteil – besonders dort, wo das genaue Verständnis des Prozesses der entscheidende Faktor ist. Der Unterschied lässt sich auch in Zahlen messen: Die Entwicklung umfasste insgesamt rund 250 Arbeitstage. Ohne KI wären es unserer Schätzung nach 330 bis 350 Tage gewesen – 30 bis 40 % mehr Aufwand für dasselbe Ergebnis. An die Stelle des papierbasierten Prozesses sind strukturierte, durchsuchbare und auditierbare Daten getreten. Und die nächsten Versionen des Systems gehen bereits über Blut- und Urinproben hinaus: Die Roadmap umfasst auch die Verarbeitung von Umweltproben sowie Luft- und Bodenuntersuchungen. Was für die Betriebsärztin oder den Betriebsarzt tatsächlich zählt, ist nicht das System selbst – sondern die Tatsache, dass jetzt sichtbar ist, wo eingegriffen werden muss. Rechtzeitig, nicht im Nachhinein.
%202.webp)
.webp)
