依存症患者に対する適切なケアの場所を決定することは、治療結果とリソースの効率的利用に大きな影響を与える重要な臨床的決定です。しかし、多くの専門的な治療リソース（入院ベッドやスタッフなど）が不足している現状では、自動化されたフレームワークの開発が求められています。従来の意思決定アプローチは、依存症データセットのクラス不均衡の影響を受けやすいです。そこで、本研究では、ケア予測を構造化学習問題として公式化した新しいグラフニューラルネットワーク（GRACE）フレームワークを提案します。また、クラス不均衡問題を克服するために、新しいメタグラフの取得手法を導入し、特徴エンジニアリングを広範に実施しました。実験結果は、競合ベースラインを11-35％上回るマイノリティクラスのF1スコアの改善を示しています。