OPBench: 아편 중독 위기에 대응하기 위한 그래프 벤치마크

OPBench: A Graph Benchmark to Combat the Opioid Crisis

아편 중독 문제는 전 세계적으로 공동체를 파괴하고, 의료 시스템에 부담을 주며, 가족을 해체시키고 있으며, 시급한 계산 솔루션을 요구하고 있습니다. 이러한 치명적인 아편 중독 위기에 대응하기 위해, 그래프 학습 방법은 복잡한 약물 관련 현상을 모델링하는 유망한 패러다임으로 등장했습니다. 그러나 중요한 격차가 여전히 존재합니다. 즉, 실제 아편 중독 시나리오에서 이러한 방법들을 체계적으로 평가할 수 있는 포괄적인 벤치마크가 없습니다. 이러한 격차를 해소하기 위해, 우리는 세 가지 중요한 응용 분야에 걸쳐 다섯 개의 데이터 세트를 포함하는 최초의 포괄적인 아편 중독 벤치마크인 OPBench를 소개합니다. 구체적으로, OPBench는 의료 보험 청구 데이터를 이용한 아편 과다 복용 감지, 디지털 플랫폼에서 이뤄지는 불법 약물 거래 감지, 그리고 식습관 패턴을 이용한 약물 오용 예측 등 다양한 분야를 포함합니다. 또한, OPBench는 다양한 그래프 구조(이종 그래프 및 하이퍼 그래프 포함)를 사용하여 약물 관련 데이터 간의 풍부하고 복잡한 관계 정보를 보존합니다. 데이터 부족 문제를 해결하기 위해, 우리는 도메인 전문가 및 권위 있는 기관과 협력하여 데이터 세트를 큐레이션하고 주석을 달았으며, 동시에 개인 정보 보호 및 윤리적 지침을 준수했습니다. 더욱이, 우리는 표준화된 프로토콜, 미리 정의된 데이터 분할 및 재현 가능한 기준선을 갖춘 통합 평가 프레임워크를 구축하여 그래프 학습 방법 간의 공정하고 체계적인 비교를 용이하게 합니다. 광범위한 실험을 통해, 기존 그래프 학습 방법의 장점과 한계를 분석하고, 아편 중독 위기에 대응하기 위한 미래 연구에 실질적인 통찰력을 제공합니다. 저희의 소스 코드 및 데이터 세트는 https://github.com/Tianyi-Billy-Ma/OPBench 에서 확인할 수 있습니다.

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.