OPBench: Een grafiekbenchmark om de opioïdencrisis te bestrijden
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
Samenvatting
De opioïde-epidemie blijft wereldwijd gemeenschappen teisteren, zet gezondheidszorgsystemen onder druk, verstoort gezinnen en vereist dringend computationele oplossingen. Om deze dodelijke opioïdencrisis te bestrijden, zijn grafische leermethoden naar voren gekomen als een veelbelovend paradigma voor het modelleren van complexe, drugsgerelateerde fenomenen. Er blijft echter een significante kloof bestaan: er is geen uitgebreide benchmark voor het systematisch evalueren van deze methoden in realistische scenario's van de opioïdencrisis. Om deze kloof te overbruggen, introduceren wij OPBench, de eerste uitgebreide opioïdenbenchmark die vijf datasets omvat binnen drie kritieke toepassingsdomeinen: detectie van opioïdenoverdosering op basis van zorgclaims, detectie van illegale drugshandel op digitale platformen en voorspelling van drugsmisbruik op basis van voedingspatronen. Specifiek bevat OPBench diverse grafstructuren, waaronder heterogene grafen en hypergrafen, om de rijke en complexe relationele informatie in drugsgerelateerde gegevens te behouden. Om dataschaarste aan te pakken, werken we samen met domeinexperts en gezaghebbende instellingen om datasets te cureren en annoteren, waarbij we ons houden aan privacy- en ethische richtlijnen. Verder stellen we een uniform evaluatiekader in met gestandaardiseerde protocollen, vooraf gedefinieerde datasplitsingen en reproduceerbare basislijnen om een eerlijke en systematische vergelijking tussen grafische leermethoden te vergemakkelijken. Door middel van uitgebreide experimenten analyseren we de sterke en zwakke punten van bestaande grafische leermethoden, waardoor we bruikbare inzichten bieden voor toekomstig onderzoek in de strijd tegen de opioïdencrisis. Onze broncode en datasets zijn beschikbaar op 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.