DTR-Bench: An in silico Environment and Benchmark Platform for Reinforcement Learning Based Dynamic Treatment Regime

强化学习（RL）因其在个性化医疗中优化动态治疗方案（DTR）的潜力，特别是药物剂量处方和药物推荐方面，而受到越来越多的关注。然而，一个重要的挑战仍然存在：缺乏一个统一的框架来模拟各种医疗场景以及全面分析RL算法在这些情况下的有效性。为了解决这个问题，我们介绍了DTR-Bench，这是一个基准测试平台，包括四个不同的仿真环境，专门针对常见的DTR应用，包括癌症化疗、放疗、糖尿病中的血糖管理和脓毒症治疗。我们评估了各种最先进的RL算法在这些环境中的表现，特别是在面对真实世界的挑战，如药代动力学/药效动力学（PK/PD）变异、噪声和缺失数据时的表现。我们的实验揭示了RL算法在噪声和患者变异存在的情况下表现出不同程度的性能退化，有些算法无法收敛。此外，我们观察到，在DTR设置中使用时间观察表示并不能始终导致性能提高。我们的发现强调了开发强大、适应性强的RL算法的必要性，能够有效地管理这些复杂性，以增强个性化医疗。我们已经在https://github.com/GilesLuo/DTR-Bench上开源了我们的基准测试和代码。

评估强化学习在个性化医疗中的应用，提出一个综合性的模拟平台和算法评估框架

提出了一个名为DTR-Bench的综合性模拟平台，包括四个不同的模拟环境，用于评估强化学习算法在癌症化疗、放射治疗、糖尿病血糖管理和脓毒症治疗等常见个性化医疗场景中的效果，并发现算法在面对噪音和患者变异性时表现出不同程度的性能下降

实验结果表明，强化学习算法需要更加健壮和适应性强，才能更好地应对个性化医疗中的挑战。研究团队开源了DTR-Bench的代码

最近的相关研究包括“Deep Reinforcement Learning for Dynamic Treatment Regimes on Medical Registry Data”和“Personalized Dosing of Enoxaparin”等