歐洲藥物管理局修正發布「藥品交互作用試驗指針」提升用藥安全與效用
歐洲藥物管理局（European Medicines Agency, EMA）今（2012）年7月6日修正發布「藥品交互作用試驗指針」（Guideline on the Investigation of Drug Interactions），EMA表示這是該指針自1997年發布以來最大的修正，內容包括藥廠如何進行新藥與已經流通使用的藥品的潛在交互作用研究，以及新藥與食品的交互作用研究。
「藥品交互作用試驗指針」內容包括用藥建議方案，其乃基於臨床相關交互作用以及調整用藥劑量、監控病人用藥情形之可行性研究為基礎。同時，有關草藥使用的建議方案也包括在內。
EMA表示，新的修正內容使「藥品交互作用試驗指針」與藥品交互作用研究科學之發展現況趨於一致，例如現已能透過少數的精密設計研究，即可預測臨床相關藥品交互作用的結果，以及在了解近年酵素觸發技術（enzyme induction）與藥物載體（drug-transporter）間的交互作用上的科學進展。
藥物交互作用對於用藥的安全與效用極為重要，許多病人，尤其是年長者經常需要同時服用多種藥物，因多種藥物交互作用而產生的負作用（adverse effects）是患者反覆就醫的重要因素之一，且可能減低個別藥物原有的療效。
「藥品交互作用試驗指針」新修正內容將於2013年1月1日生效，全文共計七部分，主要重點在第五部分的藥物動力學（Pharmacokinetic）交互作用研究，內容包括：從研究進行方式即藥品的吸收、分布、代謝、移轉到人體試驗設計、草藥與特殊食品產品、以及產品特性標示事項等都有建議規範，其全文可至EMA官方網站下載。
本文為「經濟部產業技術司科技專案成果」
陳世傑
組長 編譯整理
European Medicines Agency updates guideline on drug interactions, EUROPEAN MEDICINES AGENCY, Jul. 6, 2012, http://www.ema.europa.eu/ema/index.jsp?curl=pages/news_and_events/news/2012/07/news_detail_001561.jsp&mid=WC0b01ac058004d5c1 (last visited Jul. 18, 2012).
EUROPEAN MEDICINES AGENCY (EMA), Guideline on the Investigation of Drug Interactions (2012), http://www.ema.europa.eu/docs/en_GB/document_library
/Scientific_guideline/2012/07/WC500129606.pdf (last visited Jul. 18, 2012).
鄭冠維，歐洲藥品管理局（EMA）之利益衝突法制研析－以藥品審查之利益衝突處理為中心，載於科技法律透析，2012年5月。
鄭匡善，論析醫學軟體上市相關法律、命令與標準，載於科技法律透析，2012年1月。
澳洲及紐西蘭公路監理機關聯合會（Austroads）於2020年3月18日發布「輔助駕駛及自動駕駛車輛之駕駛人教育及訓練報告（Education and Training for Drivers of Assisted and Automated Vehicles）」，該報告目的在於研究有哪些技巧、知識與行為，為目前與未來人們使用具有輔助或自駕功能車輛所需具備的；並檢視註冊與發照之相關機關應擔任何種角色，以確保駕照申請人具有足夠能力以使用相關科技。報告中所關注之輔助與自駕車輛，為具有SAE自動駕駛層級第0至第3級之輕型或重型自駕車輛；目前澳洲道路規範並未禁止第3級之自駕車使用，但駕駛人仍應保持對車輛之控制且不得同時進行其他行為。 報告認為目前之駕駛執照發照架構尚不需改變，但註冊與發照機構仍可於輔助與自動駕駛車輛的學習與評估中扮演一些角色，包含： 鼓勵經銷商、製造商與相關利益團體進行有關如何安全運用相關系統，同時避免過度依賴之教育與訓練。 支持將自駕車技術相關之特定重要資訊整合進所有層級之教育與訓練中，但不使用強制性之評估程序進行能力評估。 應關注如何於澳洲設計規範（Australian Design Rules, ADRs）或澳洲新車評估計畫（Australasian New Car Assessment Program, ANCAP）中規範特定車輛之安全公眾教育、整合重要資訊於既有的知識與技術訓練，以及建立強制之學習計畫。 未來澳洲及紐西蘭公路監理機關聯合會將繼續發展相關計畫以實施本報告中之相關建議，以使教育訓練系統更加完善。
美國第9巡迴上訴法院於2015年7月6日宣布Multi Time Machine v. Amazon案的見解美國第9巡迴上訴法院(9th Circuit)於2015年7月6日對外宣布Multi Time Machine v. Amazon案的見解，其推翻地方法院看法，認定被告Amazon公司提供的服務有侵害原告Multi Time Machine公司商標權之虞。 本案原告Multi Time Machine公司是一家製作手錶的廠商，在被告Amazon公司的網站上有提供零售服務。原告認為被告網站提供之服務，可使消費者搜索網站內的物品，但其所得之結果(含圖片)卻容易令人混淆，如搜尋原告的MTM手錶(為Multi Time Machine之商標)，會將商標權人及其他廠商的商品都包含在內，導致消費者誤認為其他廠商手錶也是由MTM製造，進而購買非原告公司生產之手錶。原告因而向地方法院提出訴訟，認為被告Amazon公司侵害其商標權，違反聯邦法典內之Lanham Act的第1114條(1)(a)及第1125條(a)(1)規定。但洛杉磯地方法院認為被告行為並未侵害商標權，原告不服故提起上訴。 第9巡迴上訴法院採用1979年AMF v. Sleekcraft Boats案認定之方式，並於2011年Network Automation v. Advanced System Concepts案後發展出的測試標準，用以判斷有無侵害商標權。其標準包含：1.商標的強度、2.商品近似或相關連程度、3.與商標的相似性、4.實際混淆之證據、5.銷售管道、6.消費者在意程度、7.被告意圖、8.擴展之可能性。上訴法院認為，本案除了3、5、8三項較無關外，其餘5項因素經法院研究結果，原告商品在被告網站上販售時，1、2、7於原告影響較大，而4、6是被告提供服務(即供消費者購買)時須在意的。因此，綜合判斷之結果，被告行為已可能侵害原告之商標權，故推翻地方法院之判決結果，發回地方法院續行審理，本案後續判決進展及結果實值持續觀察。
美國尋求ITC調查營業秘密盜用案件逐年增加近年來透過美國國際貿易委員會（International Trade Commission，簡稱ITC）調查營業秘密盜用的案件逐年增加，從2018 年僅有2件到2021年已增加至9件，此現象可能與疫情期間大量員工離職流動有關，預期2022年會有更多員工流動的情況，也將使企業面臨更大的營業秘密盜用風險。 雖然過往熟知ITC是專利糾紛的戰場，但ITC對於構成營業秘密盜用的「不公平行為」也有管轄權。尋求ITC營業秘密盜用調查和傳統聯邦或州法院訴訟相比的好處包括：(1) ITC可管轄在發生在美國以外的營業秘密盜用行為、(2) ITC調查時間短，平均在15-18個月會做出處置、(3) 向ITC尋求救濟時間未有限制，聯邦或州法院則會要求在發現或應該發現營業秘密盜用行為起3-5年內應提出。 若ITC對於營業秘密盜用調查成立，請求人可取得排除令（exclusion order）禁止因盜用營業秘密產生的商品進入美國，也可取得制止令（cease-and-desist order）停止已在美國的被訴產品銷售。雖然ITC不能提供金錢賠償，但企業可同時向聯邦或州法院提出訴訟請求金錢賠償，且與專利案件不同，ITC關於營業秘密調查的勝利對於尋求金錢賠償的地方法院訴訟具有排他性影響（preclusive effect）。 因此，當面臨營業秘密盜用者不在美國或需要在短時間取得調查結果的情況，尋求ITC營業秘密盜用調查對企業會是有利的做法。 「本文同步刊登於TIPS網站（https://www.tips.org.tw）」
日本發布《資料品質管理指引》，強調歷程存證與溯源，建構可信任AI透明度2025年12月，日本人工智慧安全研究所（AI Safety Institute，下稱AISI）與日本獨立行政法人情報處理推進機構（Information-technology Promotion Agency Japan，下稱IPA）共同發布《資料品質管理指引》（Data Quality Management Guidebook）。此指引旨於協助組織落實資料品質管理，以最大化資料與AI的價值。指引指出AI加劇了「垃圾進，垃圾出（Garbage in, Garbage out）」的難題，資料品質將直接影響AI的產出。因此，為確保AI服務的準確性、可靠性與安全性，《資料品質管理指引》將AI所涉及的資料，以資料生命週期分為8個階段，並特別強調透過資料溯源，方能建立透明且可檢核的資料軌跡。 1.資料規劃階段：組織高層應界定資料蒐集與利用之目的，並具體說明組織之AI資料生命週期之各階段管理機制。 2.資料獲取階段：此步驟涉及生成、蒐集及從外部系統或實體取得資料，應優先從可靠的來源獲取AI模型的訓練資料，並明確記錄後設資料（Metadata）。後設資料指紀錄原始資料及資料歷程之相關資訊，包含資料的創建、轉檔（transformation）、傳輸及使用情況。因此，需要記錄資料的創建者、修改者或使用者，以及前述操作情況發生的時間點與操作方式。透過強化來源透明度，確保訓練資料進入AI系統時，即具備可驗證的信任基礎。 3.資料準備階段：重點在於AI標註（Labeling）品質管理，標註若不一致，將影響AI模型的準確性。此階段需執行資料清理，即刪除重複的資料、修正錯誤的資料內容，並持續補充後設資料。此外，可添加浮水印（Watermarking）以確保資料真實性與保護智慧財產權。 4.資料處理階段（Data Processing）：建立即時監控及異常通報機制，以解決先前階段未發現的資料不一致、錯漏等資料品質問題。 5.AI系統建置與運作階段：導入RAG（檢索增強生成）技術，檢索更多具參考性的資料來源，以提升AI系統之可靠性，並應從AI的訓練資料中排除可能涉及個人資料或機密資訊外洩的內容。 6. AI產出之評估階段（Evaluation of Output）：為確保產出內容準確，建議使用政府公開資料等具權威性資料來源（Authoritative Source of Truth, ASOT）作為評估資料集，搭配時間戳記用以查核參考資料的時效性（Currentness），避免AI採用過時的資料。 7.AI產出結果之交付階段（Deliver the Result）：向使用者提供機器可讀的格式與後設資料，以便使用者透過後設資料檢查AI產出結果之來源依據，增進透明度與使用者信任。 8.停止使用階段（Decommissioning）：當資料過時，應明確標示停止使用，若採取刪除，應留存刪除紀錄，確保留存完整的資料生命週期紀錄。 日本《資料品質管理指引》強調，完整的資料生命週期管理、強化溯源為AI安全與創新的基礎，有助組織確認內容準確性、決策歷程透明，方能最大化AI所帶來的價值。而我國企業可參考資策會科法所創意智財中心發布之《重要數位資料治理暨管理制度規範（EDGS）》，同樣強調從源頭開始保護資料，歷程存證與溯源為關鍵，有助於組織把控資料品質、放大AI價值。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://www.tips.org.tw）