GraphRAG versnelt medicijnonderzoek met 87%

Sophie Jansen · 2026-07-09

Stel je voor: maandenlang wachten op onderzoeksresultaten, terwijl de oplossing eigenlijk al in je eigen data verborgen ligt. Dat was de realiteit voor veel farmaceutische bedrijven. Tot AWS een GraphRAG-oplossing uitrolde die onderzoekscycli met maar liefst 87 procent verkortte. Hoe? Door voorheen geïsoleerde databases te verbinden in een enkele, doorzoekbare kennisgraaf. ### De oude situatie: data in silo's Vroeger duurde het verzamelen en screenen van data meer dan zes maanden per cyclus. En dan was de kans op succes nog maar vijf procent. Waarom? Cruciale datasets – van klinische meetgegevens tot laboratoriumnotities – lagen verspreid over verschillende opslagsystemen. Datawetenschappers konden geen verbanden leggen omdat ze simpelweg niet bij alle informatie konden. En als een medewerker vertrok, nam die waardevolle projectkennis mee. Onderzoek kwam dan vaak stil te liggen. ### Hoe AWS de boel aan elkaar knoopt AWS ontwikkelde een oplossing die grafdatabases combineert met natuurlijke taalverwerking (NLP). Het hart van het systeem is een GraphRAG-framework, dat gebruikmaakt van Amazon Neptune Analytics en Amazon Bedrock. Het resultaat: een doorzoekbaar netwerk van voorheen losse datapunten. Onderzoekers kunnen gewoon vragen stellen in alledaags Nederlands – of Engels – en krijgen antwoorden die gebaseerd zijn op zowel interne datasets als geverifieerde wetenschappelijke literatuur. ### Uitdagingen: normalisatie en hallucinaties Maar het samenbrengen van eigen data met openbare bronnen brengt uitdagingen met zich mee. Denk aan data-normalisatie: hoe zorg je dat termen uit verschillende systemen consistent worden geinterpreteerd? Zonder strikte schema-governance ontstaan er foutieve verbanden, of erger: hallucinaties waarbij het model antwoorden verzint. Daarom is een goed ontworpen database-schema essentieel. ### De kennisgraaf stap voor stap Bedrijven kunnen hun eigen kennisgrafen inpluggen. Het systeem haalt rommelige, ongestructureerde bestanden uit openbare databases zoals PubMed en combineert ze met interne bedrijfsgegevens. Tools zoals Amazon Comprehend Medical scannen de tekst op medische codes. Amazon Bedrock, met Anthropics Claude 4.5 Sonnet, vat documenten samen en bepaalt de relevantie. Vervolgens verwerken AWS Lambda-functies en Amazon S3 de data naar Amazon Neptune Analytics. De kennisgraaf structureert alles in knooppunten: entiteiten zoals aandoeningen, auteurs, tijdschriften en tekstfragmenten. De verbindingen tussen die knooppunten – de randen van de graaf – leggen hiërarchische classificaties en relaties vast. Dit zorgt voor een solide basis voor accurate informatieopvraging. ### Wat kost het? Een standaard Amazon Neptune Analytics-graaf met 16 provisioned geheugeneenheden kost ongeveer €0,48 per uur. Ontwikkelomgevingen, zoals Amazon SageMaker Jupyter notebooks op t3.medium instances, komen daar bovenop. Ook de dynamische tokenkosten van Amazon Bedrock Claude 4.5 Sonnet tijdens het verwerken van queries spelen mee. Voor een maandelijkse schatting: reken op enkele honderden euro's voor een kleine opstelling, oplopend bij grotere datasets. ### Hoe het werkt: de GraphRAG-toolkit De GraphRAG-toolkit vormt de uitvoeringslaag tussen de gebruiker en de database. Een Knowledge Graph Linker verwerkt binnenkomende vragen, haalt relevante entiteiten uit de tekst met behulp van fuzzy string-indexering, en koppelt ze aan bestaande graafknooppunten. Het systeem doorzoekt vervolgens de netwerkpaden om plausibele relaties te genereren, waarna een antwoord wordt opgesteld via het Bedrock-model. ### Nauwkeurigheid hangt af van configuratie De nauwkeurigheid van de zoekresultaten staat of valt met de entiteitskoppeling. Een EntityLinker-component stemt natuurlijke taal uit gebruikersvragen af op het gestructureerde dataschema. Dit fuzzy-matchingproces is cruciaal: als het te streng is, mis je relevante resultaten; te los, en je krijgt ruis. De juiste balans vinden vraagt om zorgvuldige afstemming. ### Conclusie GraphRAG is geen wondermiddel, maar het kan farmaceutisch onderzoek radicaal versnellen. De kunst zit in het goed inrichten van de data en het beheren van de complexiteit. Voor bedrijven die worstelen met versnipperde data, biedt deze AWS-oplossing een krachtig alternatief. En met de juiste aanpak kun je onderzoekscycli niet alleen versnellen, maar ook de kwaliteit van je inzichten verbeteren.