OPBench: Ein Graph-Benchmark zur Bekämpfung der Opioidkrise
OPBench: A Graph Benchmark to Combat the Opioid Crisis
February 16, 2026
Autoren: Tianyi Ma, Yiyang Li, Yiyue Qian, Zheyuan Zhang, Zehong Wang, Chuxu Zhang, Yanfang Ye
cs.AI
Zusammenfassung
Die Opioid-Epidemie setzt sich weltweit fort und verwüstet Gemeinschaften, belastet Gesundheitssysteme, zerrüttet Familien und erfordert dringend computergestützte Lösungen. Um dieser tödlichen Opioidkrise zu begegnen, haben sich Graph-Learning-Methoden als vielversprechendes Paradigma zur Modellierung komplexer drogenbezogener Phänomene erwiesen. Es besteht jedoch eine erhebliche Lücke: Es gibt keinen umfassenden Benchmark für die systematische Evaluierung dieser Methoden in realen Opioidkrisenszenarien. Um diese Lücke zu schließen, stellen wir OPBench vor, den ersten umfassenden Opioid-Benchmark, der fünf Datensätze aus drei kritischen Anwendungsbereichen umfasst: Erkennung von Opioidüberdosierungen aus Krankenversicherungsdaten, Erkennung von illegalem Drogenhandel auf digitalen Plattformen und Vorhersage von Drogenmissbrauch anhand von Ernährungsmustern. Konkret integriert OPBench diverse Graphstrukturen, einschließlich heterogener Graphen und Hypergraphen, um die reichhaltigen und komplexen relationalen Informationen in drogenbezogenen Daten zu bewahren. Um Datenknappheit zu beheben, arbeiten wir mit Fachexperten und autoritativen Institutionen zusammen, um Datensätze unter Einhaltung von Datenschutz- und ethischen Richtlinien zu kuratieren und zu annotieren. Darüber hinaus etablieren wir einen einheitlichen Evaluierungsrahmen mit standardisierten Protokollen, vordefinierten Datenaufteilungen und reproduzierbaren Baselines, um einen fairen und systematischen Vergleich von Graph-Learning-Methoden zu ermöglichen. Durch umfangreiche Experimente analysieren wir die Stärken und Grenzen bestehender Graph-Learning-Methoden und liefern so handlungsorientierte Erkenntnisse für die zukünftige Forschung zur Bekämpfung der Opioidkrise. Unser Quellcode und unsere Datensätze sind unter https://github.com/Tianyi-Billy-Ma/OPBench verfügbar.
English
The opioid epidemic continues to ravage communities worldwide, straining healthcare systems, disrupting families, and demanding urgent computational solutions. To combat this lethal opioid crisis, graph learning methods have emerged as a promising paradigm for modeling complex drug-related phenomena. However, a significant gap remains: there is no comprehensive benchmark for systematically evaluating these methods across real-world opioid crisis scenarios. To bridge this gap, we introduce OPBench, the first comprehensive opioid benchmark comprising five datasets across three critical application domains: opioid overdose detection from healthcare claims, illicit drug trafficking detection from digital platforms, and drug misuse prediction from dietary patterns. Specifically, OPBench incorporates diverse graph structures, including heterogeneous graphs and hypergraphs, to preserve the rich and complex relational information among drug-related data. To address data scarcity, we collaborate with domain experts and authoritative institutions to curate and annotate datasets while adhering to privacy and ethical guidelines. Furthermore, we establish a unified evaluation framework with standardized protocols, predefined data splits, and reproducible baselines to facilitate fair and systematic comparison among graph learning methods. Through extensive experiments, we analyze the strengths and limitations of existing graph learning methods, thereby providing actionable insights for future research in combating the opioid crisis. Our source code and datasets are available at https://github.com/Tianyi-Billy-Ma/OPBench.