GraphRAG versnelt medicijnonderzoek met 87%

Sophie Jansen · 2026-07-09

Een recente implementatie van AWS GraphRAG in de farmaceutische sector heeft de onderzoeks- en ontwikkelingscycli met maar liefst 87 procent verkort. Hoe dan? Door voorheen gescheiden databases te integreren in een enkele, doorzoekbare kennisgraaf. Dit klinkt technisch, maar het effect is simpel: maanden werk wordt teruggebracht tot een paar uur. Vroeger duurde het meer dan een half jaar om data te verzamelen en te screenen, met een schamele vijf procent slaagkans. Belangrijke datasets – van klinische meetgegevens tot interne labnotities – lagen opgeslagen in aparte silo's. Datawetenschappers konden geen verbanden leggen omdat de informatie simpelweg niet bij elkaar kwam. En als een medewerker vertrok, nam die alle projectkennis mee. Onderzoek lag dan weken stil. ### Hoe AWS de verbinding legt AWS ontwikkelde een oplossing die deze systemen aan elkaar koppelt. Ze combineren graafdatabases met natuurlijke taalverwerking (NLP). De kern is een GraphRAG-framework met Amazon Neptune Analytics en Bedrock. Gebruikers stellen vragen in gewoon Nederlands en krijgen antwoorden die gebaseerd zijn op zowel interne data als goedgekeurde wetenschappelijke literatuur. Maar het samenvoegen van eigen datasets met openbare bronnen is niet zonder uitdagingen. Het vereist strenge schema-governance om foute relaties en hallucinaties te voorkomen. ### Kennisgraaf opbouwen Bedrijven kunnen hun eigen kennisgrafen inpluggen. Het systeem haalt rommelige, ongestructureerde bestanden uit databases zoals PubMed en combineert ze met interne documenten. Amazon Comprehend Medical scant de tekst en haalt standaard medische codes eruit. Amazon Bedrock, met Anthropic's Claude 4.5 Sonnet, vat de inhoud samen en bepaalt of het relevant is. Daarna verwerken AWS Lambda-functies en Amazon S3 bulk-loads de data naar Amazon Neptune Analytics. De kennisgraaf structureert alles in knooppunten: entiteiten zoals klassen, auteurs, tijdschriften en tekstfragmenten. De verbindingen tussen deze knooppunten tonen hiërarchieën en relaties. Dit zorgt voor een solide basis voor accurate informatieopvraging. ### Database schema als fundament Het databaseschema bepaalt de grenzen van het ontdekkingsproces. Knooppunten vangen specifieke condities en koppelen ze aan standaard ontologieën. Auteur- en tijdschriftknooppunten geven herkomst aan voor gepubliceerd onderzoek. Lange documenten worden opgedeeld in stukjes via Amazon Bedrock Knowledge Base chunking, en classificatieknooppunten verbinden de tekst met gestandaardiseerde diagnostische metrics. ### Kosten en resources Het draaien van deze architectuur kost geld. Een standaard Amazon Neptune Analytics-graaf met 16 provisioned geheugeneenheden kost ongeveer €0,44 per uur. Ontwikkelomgevingen, zoals Amazon SageMaker Jupyter notebooks op t3.medium instances, voegen basis compute- en opslagkosten toe. Organisaties moeten ook rekening houden met dynamische tokenkosten van Amazon Bedrock Claude 4.5 Sonnet tijdens het verwerken van queries. ### Hoe het werkt in de praktijk De GraphRAG-toolkit fungeert als schakel tussen de gebruiker en de database. Een Knowledge Graph Linker verwerkt vragen, haalt relevante entiteiten eruit met fuzzy string indexing, en koppelt ze aan bestaande knooppunten. Het systeem doorzoekt de netwerkpaden om logische relaties te vinden en stelt dan een antwoord op via het Bedrock-model. De nauwkeurigheid hangt af van de configuratie van entiteitsmatching. Een EntityLinker component stemt termen uit de vraag af op het databaseschema. Dit fuzzy matching proces is cruciaal: te strak en je mist verbanden, te los en je krijgt onzin. Het is een delicate balans. - **Versnelling**: van maanden naar dagen of uren. - **Integratie**: combineert openbare en interne data. - **Uitdaging**: schema-governance om fouten te voorkomen. Kortom, deze technologie laat zien hoe AI en graafdatabases samen onderzoek radicaal kunnen versnellen. Maar het vraagt wel om een doordachte aanpak.