AI-gestuurde kennisgrafiek versnelt medicijnonderzoek met 87%

Sophie Jansen · 2026-07-09

Stel je voor: een farmaceutisch bedrijf dat jarenlang worstelt met versnipperde data. Klinische resultaten staan in de ene database, laboratoriumnotities in een andere, en onderzoeksartikelen zijn verspreid over openbare bronnen. Het is een nachtmerrie voor datawetenschappers. Maar wat als je al die informatie in een slim, doorzoekbaar netwerk kunt stoppen? Dat is precies wat AWS heeft gedaan met een GraphRAG-implementatie. Het resultaat? Een reductie van medicijnonderzoekscycli met maar liefst 87%. Laten we eens kijken hoe dit werkt en wat het betekent voor de sector. ### Waarom traditioneel onderzoek zo langzaam gaat Vroeger duurde het meer dan zes maanden om data te verzamelen en te screenen. En dat voor een schamele succeskans van 5%. Waarom? Cruciale datasets – van specifieke klinische meetwaarden tot interne technische aantekeningen – lagen opgeslagen in verschillende systemen. Ze waren als eilanden zonder bruggen. Datawetenschappers konden geen verbanden leggen omdat de informatie niet bij elkaar kwam. En toen een ervaren onderzoeker vertrok, nam hij alle projectkennis mee. Het onderzoek kwam compleet stil te liggen. Dit is een probleem dat veel bedrijven herkennen: data is er wel, maar niet toegankelijk. ### Hoe AWS de verbinding legt AWS bedacht een oplossing die grafische databases combineert met natuurlijke taalverwerking (NLP). De kern is een GraphRAG-framework, ondersteund door Amazon Neptune Analytics en Bedrock. Het systeem zet losse datapunten om in een doorzoekbaar netwerk. Gebruikers kunnen gewoon vragen stellen in natuurlijke taal – zoals 'welke stoffen zijn getest op bijwerking X?' – en krijgen antwoorden die zijn gekoppeld aan betrouwbare literatuur en interne datasets. Het voelt alsof je een gesprek voert met een expert die alle informatie paraat heeft. ### Uitdagingen bij het samenvoegen van data Het klinkt eenvoudig, maar er zijn hobbels op de weg. Het samenvoegen van eigen datasets met openbare bronnen zoals PubMed brengt normalisatieproblemen met zich mee. Stel je voor dat je verschillende formaten, codes en structuren moet combineren. Zonder strikte schema-governance kunnen er fouten ontstaan in de relaties tussen gegevens. Dat leidt tot onnauwkeurige antwoorden – of erger, hallucinaties waarbij het systeem dingen verzint. Daarom is een goed ontworpen database-schema essentieel. ### Het bouwen van de kennisgrafiek Bedrijven kunnen hun eigen kennisgrafieken inpluggen. Het systeem haalt rommelige, ongestructureerde bestanden uit openbare databases en mengt ze met interne bedrijfsgegevens. Tools zoals Amazon Comprehend Medical scannen teksten om medische codes te extraheren. Amazon Bedrock, met Anthropic's Claude 4.5 Sonnet, vat documenten samen en bepaalt of ze relevant zijn. AWS Lambda-functies en Amazon S3 laden de verwerkte elementen vervolgens in Amazon Neptune Analytics. De kennisgrafiek structureert alles in knooppunten: entiteiten zoals ziektes, auteurs, tijdschriften en tekstfragmenten. De verbindingen tussen deze knooppunten tonen relaties, zoals hiërarchische classificaties. Dit maakt het mogelijk om snel en accuraat informatie te vinden. ### Kosten en praktische overwegingen Het draaien van deze grafiekarchitectuur kost geld. Een standaard Amazon Neptune Analytics-grafiek met 16 provisioned geheugeneenheden kost ongeveer €0,44 per uur. Ontwikkelomgevingen, zoals Amazon SageMaker Jupyter-notebooks op t3.medium-instanties, voegen basiskosten toe voor rekenkracht en opslag. Vergeet ook niet de variabele tokenkosten van Amazon Bedrock tijdens het verwerken van queries. Voor een gemiddeld project kunnen de totale kosten oplopen tot enkele honderden euro's per maand, afhankelijk van het gebruik. ### Hoe het systeem queries verwerkt De GraphRAG-toolkit fungeert als de uitvoeringslaag tussen de gebruiker en de database. Een Knowledge Graph Linker verwerkt binnenkomende vragen in natuurlijke taal. Het haalt relevante entiteiten eruit met behulp van fuzzy string indexing en koppelt ze aan bestaande knooppunten. Het systeem doorzoekt vervolgens de netwerkpaden om plausibele relaties te genereren. Daarna stelt het een antwoord op via het Bedrock-hosted taalmodel. Het is een slimme combinatie van gestructureerde data en AI. ### De rol van nauwkeurige entiteitskoppeling De nauwkeurigheid van de antwoorden hangt af van hoe goed entiteiten worden gekoppeld. Een EntityLinker-component stemt termen uit gebruikersvragen af op de gestructureerde dataschema. Dit fuzzy matching-proces is cruciaal. Als het systeem 'hoge bloeddruk' niet herkent als synoniem voor 'hypertensie', mis je mogelijk belangrijke informatie. Daarom wordt er veel aandacht besteed aan het trainen van deze koppeling. Het resultaat is een systeem dat niet alleen snel werkt, maar ook betrouwbaar is. ### Wat dit betekent voor de toekomst Deze technologie verandert de spelregels voor farmaceutisch onderzoek. Waar je vroeger maanden bezig was met handmatig zoeken, heb je nu binnen enkele minuten antwoorden. Het betekent dat medicijnen sneller kunnen worden ontwikkeld, wat levens kan redden. Maar het vraagt wel om investeringen in infrastructuur en expertise. Voor bedrijven die bereid zijn die stap te zetten, liggen enorme kansen. Het is een voorbeeld van hoe AI niet alleen processen versnelt, maar ook nieuwe inzichten mogelijk maakt die voorheen verborgen bleven.