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。
流行音樂之抄襲，於我國著作權法之評價上，是以著作權法第91條第1項「擅自以重製之方法侵害他人之著作財產權者」來評價，我國智慧財產法院已有相關判決可供參酌，如智慧財產法院 103 年刑智上易字第 47 號刑事判決。惟流行音樂之創作，往往受到流行趨勢及過去其他作品的啟發，但將任何的風格上的模仿皆認為係著作權之侵害顯然並不恰當，而旋律相似度高達九成左右者屬於抄襲固然無庸置疑，然僅取樣(sampling)使用少數詞曲，用以表達概念或致敬之使用他人創作情形，其判斷標準，或可參考美國法院之判決見解。 2003年的Newton v. Diamond案中，第九巡迴上訴法院認可「微量取用」(de minimis use)原則，認為在有數十秒的取樣情形時，當一般聽眾不認為是挪用，即構成微量取用，並無實質近似，且若未取樣原曲之重要部分，亦不構成抄襲。但2005年時，聯邦第六巡迴上訴法院在Bridgeport Music, Inc. v. Dimension Films案中，對微量取用的情形提出「明確性規則」(bright- line rule)，認為必須要取得授權方得取樣；而美國最高法院則在1994年的Campbell v. Acuff-Rose案中，認為雖有擷取他曲旋律，但整體曲風不同時，採取轉化性原則，認為構成合理使用。
聯合國推動「全球綠色新政」並倡導各國促進綠色投資及研發活動聯合國環境規劃署（UNEP）正式發表「全球綠色新政」（Global Green New Deal）報告，建議各國投入GDP1%（約7,500億美元）資助綠色環境建設及發展，除期使更落實綠色經濟倡議（Green Economy Initiative）內容外，並希望以此帶動綠領就業（Green Collar Job）及促進綠色研發活動蓬勃。 聯合國UNEP於2009年2月對外發表全球綠色新政報告，並倡導五大重要投資領域，包括以下： （1） 提昇各新舊建築物能源使用效率領域之投資。 （2） 再生能源（包括太陽能、風力、地熱能、生質能等）領域之投資。 （3） 永續交通運輸環境（包括氫能汽車、高速鐵路、快速捷運系統等）領域之投資。 （4） 全球性生態構成（包括潔淨水、森林、土壤等）基礎環境領域之投資。 （5） 永續農業（包括有機農產品）領域之投資。 聯合國UNEP並於研究報告中強調：綠色經濟轉向之根本驅動力在於導入相關綠色科技之解決方案，包括各種清潔生產製程、污染防治技術，以及管末和監控技術，涵蓋know-how、流程、商品、服務、設備、組織和管理等，均為綠色經濟蓬勃發展之關鍵環節。 而世界各國關於推動綠色新政投資之規劃行動，如歐盟於2008年11月29日通過經濟振興方案，總預算為2000億歐元(1.5%EU的GDP)，方案內容涵蓋4大優先領域，亦即為民眾(people)、商業(business)、基礎建設及能源(infrastructure and energy)、研究與創新(research and innovation)，歐盟也呼籲各國應多投入綠色科技研發活動。 而美國2009年2月通過之復甦與再投資法案(American Recovery and Reinvestment Act)，亦將綠色新政涵蓋其中，其中編列61.3 billion美元投入「清潔、效率能源方案」，主要係投資於提升能源效率、發展潔淨能源及交通效率及科技研發等。 以外，日本政府於2009年2月亦指示著手研擬「綠色新政」規劃，，預計於6月後向首相提出建議書，以因應氣候變遷及經濟危機威脅等危機。而南韓則是於2009年1月宣布未來4年將投入50兆韓元推動「綠色新政」，並以此投資行動，刺激創造更多的綠色就業機會。
德國汽車製造商擁有德國境內大部分的自駕車專利根據德國專利商標局（Deutsches Patent- und Markenamt）2017年度報告，德國該年境內發明專利申請量達67,707件，僅較2016年下降0.3％（2016年專利申請量達歷年新高），主要領域在交通；而新型專利和設計專利申請量卻持續下降。歷年申請量如下表： （件數） 2017 2016 2015 2014 2013 2012 2011 發明 專利 67,706 67,907 66,898 65,963 63,177 61,361 59,612 新型 專利 13,299 14,030 14,271 14,741 15,470 15,531 16,038 設計 專利 44,297 57,057 58,017 60,837 56,944 55,250 53,197 資料來源：德國專利商標局 其中，德國汽車公司投資在電動汽車、輔助系統和自動駕駛等領域數十億元的成果在發明專利中被充分反映出來。根據德國專利商標局2017年度報告，該年自動駕駛專利申請數量有2,633件，較2016年增加14％，是2013年的兩倍。 在德國4,810件自動駕駛專利中，德國汽車公司就擁有超過2,006件，占42％，日本為28％，美國為11％。僅2017一年，德國汽車公司就取得325件自動駕駛專利，較日本公司259件、美國公司112件和法國公司的41件還多。其中絕大多數被Audi、Toyota和Volkswagen所擁有。 此外，德國境內電動汽車專利申請也增加10％，總數達到3,410件，超過三分之一是用於蓄電池和燃料電池，德國汽車公司高居專利申請量榜首，其中以Bosch和Schaeffler為最。 事實上，除了在德國境內，全球自動駕駛專利幾乎一半亦為德國汽車公司所擁有，截止至2017年底，占了48.8％，其中Bosch排名第一，共擁有1,101件專利。前十名專利擁有者如下圖： 單位：件 資料來源：德國經濟研究所（Institut der deutschen Wirtschaft） 「本文同步刊登於TIPS網站（https://www.tips.org.tw）」
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。