OPBench : un benchmark de graphes pour lutter contre la crise des opioïdes
OPBench: A Graph Benchmark to Combat the Opioid Crisis
February 16, 2026
Auteurs: Tianyi Ma, Yiyang Li, Yiyue Qian, Zheyuan Zhang, Zehong Wang, Chuxu Zhang, Yanfang Ye
cs.AI
Résumé
L'épidémie d'opioïdes continue de ravager les communautés du monde entier, mettant à rude épreuve les systèmes de santé, bouleversant les familles et exigeant des solutions informatiques urgentes. Pour lutter contre cette crise mortelle liée aux opioïdes, les méthodes d'apprentissage sur graphes sont apparues comme un paradigme prometteur pour modéliser les phénomènes complexes liés aux drogues. Cependant, une lacune importante persiste : il n'existe pas de benchmark complet permettant d'évaluer systématiquement ces méthodes dans des scénarios réalistes de crise des opioïdes. Pour combler cette lacune, nous présentons OPBench, le premier benchmark complet sur les opioïdes, comprenant cinq jeux de données couvrant trois domaines d'application critiques : la détection des surdoses d'opioïdes à partir des données de remboursement de soins de santé, la détection du trafic de drogues illicites sur les plateformes numériques et la prédiction de l'usage détourné de drogues à partir des habitudes alimentaires. Spécifiquement, OPBench intègre des structures de graphes variées, incluant des graphes hétérogènes et des hypergraphes, afin de préserver les informations relationnelles riches et complexes contenues dans les données liées aux drogues. Pour pallier la rareté des données, nous collaborons avec des experts du domaine et des institutions autorisées pour constituer et annoter les jeux de données tout en respectant les règles de confidentialité et d'éthique. De plus, nous établissons un cadre d'évaluation unifié avec des protocoles standardisés, des partitions de données prédéfinies et des lignes de base reproductibles pour faciliter une comparaison équitable et systématique entre les méthodes d'apprentissage sur graphes. Par le biais d'expériences approfondies, nous analysons les forces et les limites des méthodes existantes d'apprentissage sur graphes, fournissant ainsi des perspectives exploitables pour les recherches futures visant à combattre la crise des opioïdes. Notre code source et nos jeux de données sont disponibles à l'adresse https://github.com/Tianyi-Billy-Ma/OPBench.
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.