AI-gestuurde medicijnontwikkeling: 87% sneller met GraphRAG

Sophie Jansen · 2026-07-09

Een recente implementatie van AWS GraphRAG heeft de onderzoeks- en ontwikkelingscycli in de farmaceutische industrie met maar liefst 87% verkort. Hoe? Door voorheen gescheiden databases te integreren in een uniforme, doorzoekbare kennisgraaf. Klinkt technisch, maar het komt erop neer dat data die voorheen in aparte silo's zat, nu samen kan worden bevraagd. En dat versnelt het vinden van nieuwe medicijnen enorm. ### Waarom traditionele methoden faalden Vroeger duurde het verzamelen en screenen van data al snel meer dan zes maanden per ronde. En de kans op succes? Slechts 5%. Belangrijke datasets – van klinische meetgegevens tot interne labnotities – waren opgeslagen in verschillende systemen. Datawetenschappers konden daardoor geen verbanden leggen die voor de hand lagen. En als een ervaren onderzoeker vertrok, verdween er vaak cruciale kennis mee. Het onderzoek lag dan stil. - **Probleem 1:** Data in silo's, geen overzicht. - **Probleem 2:** Kennisverlies bij vertrek van personeel. - **Probleem 3:** Lange cycli, lage slagingskans. ### De oplossing: een slimme kennisgraaf AWS bedacht een manier om die systemen te koppelen. Ze combineerden grafdatabases met natuurlijke taalverwerking (NLP). De basis is een GraphRAG-framework, met Amazon Neptune Analytics en Bedrock. Het resultaat? Een netwerk van verbonden datapunten. Onderzoekers kunnen gewoon vragen stellen in hun eigen woorden en krijgen antwoorden die gebaseerd zijn op zowel wetenschappelijke literatuur als interne data. ### Uitdagingen bij het samenvoegen van data Het samenbrengen van eigen datasets met openbare bronnen zoals PubMed is geen sinecure. Die openbare data is vaak rommelig en ongestructureerd. Je hebt een strikt schema nodig om te voorkomen dat verkeerde verbanden worden gelegd. Anders loop je het risico op hallucinaties – antwoorden die nergens op slaan. Schema governance is dus essentieel. ### Hoe de kennisgraaf wordt gebouwd Bedrijven kunnen hun eigen kennisgrafen aansluiten. Het systeem haalt rommelige bestanden uit openbare databases en mengt ze met interne gegevens. Tools zoals Amazon Comprehend Medical scannen de tekst op medische codes. Amazon Bedrock, met Anthropic's Claude 4.5 Sonnet, vat documenten samen en bepaalt de relevantie. AWS Lambda en S3 zorgen voor de verwerking naar Neptune Analytics. Daar worden entiteiten zoals auteur, bron en tekstfragmenten als knopen in de graaf gezet. De relaties ertussen vormen de randen. Zo ontstaat een gestructureerd geheel dat precies laat zien hoe alles samenhangt. ### Kosten en middelen Het draaien van zo'n graaf kost geld. Een standaard Neptune Analytics-graaf met 16 geheugeneenheden kost ongeveer €0,44 per uur. Ontwikkelomgevingen, zoals SageMaker Jupyter notebooks, komen daar nog bij. En vergeet de tokenkosten niet voor het verwerken van queries via Bedrock. Het is dus geen goedkope oplossing, maar de besparing in tijd kan enorm zijn. ### Hoe het werkt in de praktijk De GraphRAG-toolkit fungeert als tussenlaag. Een Knowledge Graph Linker verwerkt vragen, haalt entiteiten uit de tekst en koppelt ze aan de graaf. Het systeem zoekt dan de beste relaties en stelt een antwoord op via Bedrock. De nauwkeurigheid hangt af van hoe goed de entiteiten worden herkend. Een EntityLinker gebruikt fuzzy matching om termen uit de vraag te koppelen aan de gestructureerde data. Dit is een delicaat proces, maar het werkt. > "Deze technologie versnelt onderzoek niet alleen, maar maakt ook verbanden zichtbaar die anders verborgen bleven." – Sophie Jansen, Senior Media Monitoring Analist ### Conclusie GraphRAG is geen wondermiddel, maar het biedt een krachtige manier om data te ontsluiten. De 87% versnelling spreekt boekdelen. Voor farmaceuten die snel nieuwe medicijnen willen ontwikkelen, is dit een serieuze optie. Het vergt wel investeringen in infrastructuur en schema-ontwerp. Maar wie de stap durft te zetten, kan rekenen op een flinke voorsprong.