OPBench: オピオイド危機に立ち向かうためのグラフベンチマーク

OPBench: A Graph Benchmark to Combat the Opioid Crisis

February 16, 2026

著者: Tianyi Ma, Yiyang Li, Yiyue Qian, Zheyuan Zhang, Zehong Wang, Chuxu Zhang, Yanfang Ye

cs.AI

要旨

オピオイド危機は世界中のコミュニティに甚大な被害をもたらし続け、医療システムに負荷をかけ、家族を分断し、喫緊の計算機科学的解決策を求めている。この致死的なオピオイド危機に対処するため、複雑な薬物関連現象をモデル化する有望なパラダイムとしてグラフ学習手法が台頭してきた。しかし重要な課題が残されている：現実のオピオイド危機シナリオにおいてこれらの手法を体系的に評価する包括的なベンチマークが存在しないのである。この課題を解決するため、我々はOPBenchを提案する。これは3つの重要応用領域（医療請求データからのオピオイド過剰摂取検出、デジタルプラットフォームからの違法薬物取引検出、食事パターンからの薬物乱用予測）にわたる5つのデータセットで構成される、初の包括的オピオイドベンチマークである。具体的には、OPBenchはヘテロジニアスグラフやハイパーグラフを含む多様なグラフ構造を統合し、薬物関連データ間の豊かで複雑な関係情報を保持する。データ不足に対処するため、プライバシーと倫理ガイドラインに準拠しつつ、ドメイン専門家や公的機関と協力してデータセットを精選・注釈付与した。さらに、標準化されたプロトコル、事前定義されたデータ分割、再現可能なベースラインを含む統一評価フレームワークを確立し、グラフ学習手法間の公平かつ体系的な比較を可能にした。大規模な実験を通じて、既存グラフ学習手法の強みと限界を分析し、オピオイド危機対策の将来研究に向けた実践的示唆を提供する。ソースコードとデータセットはhttps://github.com/Tianyi-Billy-Ma/OPBenchで公開されている。

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.