美國藥品CGMP規範關於製劑部分修正之觀察
美國食品及藥物管理局（Food and Drug Administration，FDA）於2008年9月8日針對現行優良藥品製造作業規範（Current Good Manufacturing Practice In Manufacturing, Processing, Packing or Holding of Drugs，藥品CGMP規範）中關於製劑的部分，公布了最新修正規則，並在同年的12月8日正式實施，希冀藉此能與其它FDA規範（例如：品質系統規範﹙the Quality System Regulation, 21 CFR part 820﹚）和國際性的CGMP標準（例如：歐盟CGMP規範﹙the CGMPs of the European Union﹚）相調和。
本次修正係採漸進式，而非一次性的方式為之，主要針對無菌處理（aseptic processing）、石棉過濾裝置（asbestos filters）之使用、以及第二者驗證（verification by a second individual）等做修正。
首先，針對無菌處理部分，要求設備及器具必須清潔、保養，且視藥品的本質不同，予以消毒和（或）殺菌，以避免故障或污染。對於可能遭微生物污染致影響其預定用途之原料、藥品容器或封蓋，要求應於使用前經過微生物檢驗。此外，尚新增生物負荷量測試（bioburden testing）於管制程序的列表中，以保障每批藥品之均一及完整性。
其次，關於石棉過濾裝置之使用方面，回應一直以來所存在著將使用於生產液態注射劑產品（liquid injectable products）之過濾裝置規範更現代化的需求，本次修正明訂，於今後禁止使用石棉過濾裝置，同時，亦將石棉過濾裝置於非纖維釋出性過濾裝置的定義之中刪除。
最後，有關第二者驗證部分，因應生產過程逐步自動化的潮流，本次修正於原有規範下增設規定指出，如以自動化設備執行秤重、測量、分裝、產量計算、設備清潔與使用記錄、生產與管控紀錄等之工作，且符合相關條文要求，並有一人檢查該設備是否如預設正常運作，則視為合乎原有規範下須有一人操作另一人檢查之規定。亦即修正後之執行，只需一人加以確認該自動化設備是否適當運作即為已足，毋須就過程中的每一步驟加以檢視，避免多餘人力之浪費。
總括來說，本次修正確保法規確實涵蓋現行業界的操作實務，同時並確立FDA將藥品CGMP規範與以現代化，並與國際標準調和之目標，為以漸進方式修訂藥品CGMP規範跨出重要的一步。
本文為「經濟部產業技術司科技專案成果」
世界衛生組織（World Health Organization, WHO）於2023年10月19日發布「人工智慧於健康領域之監管考量因素」（Regulatory considerations on artificial intelligence for health）文件，旨在協助各國有效監管健康領域之人工智慧，發揮其潛力同時最大限度地降低風險。本文件以下列六個領域概述健康人工智慧之監管考量因素： （1）文件化與透明度（Documentation and transparency） 開發者應預先規範（pre-specifying）以及明確記錄人工智慧系統（以下簡稱AI系統）之預期醫療目的與開發過程，如AI系統所欲解決之問題，以及資料集之選擇與利用、參考標準、參數、指標、於各開發階段與原始計畫之偏離及更新等事項，並建議以基於風險之方法（Risk-based approach），根據重要性之比例決定文件化之程度、以及AI系統之開發與確效紀錄之保持。 （2）風險管理與AI系統開發生命週期方法（Risk management and AI systems development lifecycle approaches） 開發者應在AI系統生命之所有階段，考慮整體產品生命週期方法（total product lifecycle approach），包括上市前開發管理、上市後監督與變更管理。此外，須考慮採用風險管理方法（risk management approach）來解決與AI系統相關之風險，如網路安全威脅與漏洞（vulnerabilities）、擬合不足（underfitting）、演算法偏差等。 （3）預期用途、分析及臨床確效（Intended use, and analytical and clinical validation） 開發者應考慮提供AI系統預期用途之透明化紀錄，將用於建構AI系統之訓練資料集組成（training dataset composition）之詳細資訊（包括大小、設定與族群、輸入與輸出資料及人口組成等）提供給使用者。此外，可考慮透過一獨立資料集（independent dataset）之外部分析確效（external analytical validation），展示訓練與測試資料以外之效能，並考慮將風險作為臨床確效之分級要求。最後，於AI系統之上市後監督與市場監督階段，可考慮進行一段期間密集之部署後監督（post-deployment monitoring）。 （4）資料品質（Data quality） 開發者應確認可用資料（available data）之品質，是否已足以支援AI系統之開發，且開發者應對AI系統進行嚴格之預發布評估（pre-release evaluations），以確保其不會放大訓練資料、演算法或系統設計其他元素中之偏差與錯誤等問題，且利害關係人還應考慮減輕與健康照護資料有關之品質問題與風險，並繼續努力創建資料生態系統，以促進優質資料來源之共享。 （5）隱私與資料保護（Privacy and data protection） 開發者於AI系統之設計與部署過程中，應考慮隱私與資料保護問題，並留意不同法規之適用範圍及差異，且於開發過程之早期，開發者即應充分瞭解適用之資料保護法規與隱私法規，並應確保開發過程符合或超過相關法規要求。 （6）參與及協作（Engagement and collaboration） 開發者於制定人工智慧創新與部署路線圖之期間，需考慮開發可近用且具有充足資訊之平台，以於適合與適當情況下促進利害關係人間之參與及協作；為加速人工智慧領域實務作法之進化，透過參與及協作來簡化人工智慧監管之監督流程即有必要。
智慧聯網之發展與個人資訊隱私保護課題：以歐盟之因應為例 英國身份證立法－我國之借鏡？ 淺談美國建築能源科技法制政策發展近況