數百萬計個人資料遭竊取 引起美國重視資料保護
鑑於個人資料保護的重要性，美國國會議員 Charles Schumer ( 紐約州 ) and Bill Nelson ( 佛羅里達州 ) 仿照 SB1386 加州立法，於 2005 年 4 月 12 日舉辦了「 2005 年個人資料保護風險通知義務法案」（ Notification of Risk to Personal Data Act of 2005 ）的公聽會。草案建議成立聯邦性法律，要求企業或政府，一旦其持有之個人資料遭到竊取，即需通知當事人。本草案同時明訂企業或政府應通知的事項；並擬允許，讓資料遭竊的個人，可於其信用報告中顯示其 7 年內可能遭受詐欺警告的紀錄。
本法案中除了包含 SB1386 的規定外，也對販賣個人敏感資料進行規範，並要求聯邦貿易委員會（ Federal Trade Commission ）設立相關組織，以協助資料遭竊之被害者。
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。
紐約市實施《生物辨識隱私法》強化生物特徵保護伴隨人工智慧、大數據及雲端運算浪潮，生物辨識技術逐漸成為日常生活的一部分。所謂生物辨識技術，是指利用個人獨特之生物特徵辨識個人的技術。生物特徵包含任何人類生理或行為特徵，只要能夠滿足普遍性、獨特性、不變性及可蒐集性 ，即可作為生物辨識之資訊。由於生物辨識技術能利用生物特徵達到識別與驗證個人身分，因而引發公眾對隱私、資安等議題的關注。 對此，紐約市於2021年7月21日也開始正式施行《生物辨識隱私法》（biometric privacy act） ，期能藉由限制業者利用生物辨識技術以及賦予消費者訴訟權利作法，促成隱私權的週全保障。 該法主要有三大部分： 一、規範生物辨識資訊範圍，包含但不限於（1）視網膜或虹膜掃描（2）指紋或聲紋（3）手或臉部立體掃描或是其他可用於識別之特徵。就前開生物特徵，要求業者應在所有消費者入口處放置清晰顯眼的標誌，搭配簡單易懂方式揭露其蒐集、保留、儲存消費者生物辨識資訊行為。同時，也明文禁止業者將消費者生物辨識資訊以販賣、租賃、交易或是分享方式交換任何相關價值或利益。 二、提供受侵害之消費者訴訟權與法定賠償請求權。但是，就單純未符合揭露要求之業者，該法給予30天的補救期間，要求消費者應於起訴前30天通知業者改善，一經改善即不得再起訴。 三、闡明政府相關部門不適用本法。金融機構、業者與執法部門共享生物辨識資訊，以及單純以影像、圖像蒐集而未分析識別情形則豁免揭露規範。 綜上，紐約市於該法創設訴訟權、法定賠償數額及豁免事由，預料將會是紐約市企業隱私保護政策重要指標，而值得我們繼續關注其發展與影響。
日韓電子商務法制環境與發展之比較 醫療物聯網（The Internet of Medical Things, IoMT）醫療物聯網（The Internet of Medical Things, IoMT）之意義為可通過網路，與其它使用者或其它裝置收集與交換資料之裝置，其可被用來讓醫師更即時地瞭解病患之狀況。 就運用的實例而言，於診斷方面，可利用裝置來連續性地收集關鍵之醫學參數，諸如血液生化檢驗數值、血壓、大腦活動和疼痛程度等等，而可幫助檢測疾病發作或活動的早期跡象，從而改善反應。於療養方面，由於患者的手術後恢復時間是整個成本花費之重要部分，故縮短療養時間是減少成本之重要要素。可利用穿戴式感測器來幫助運動、遠端監控，追蹤各種關鍵指標，警示護理人員及時作出回應，並可與遠距醫療相結合，使加速恢復更加容易。於長期護理方面，可藉由裝置之測量與監控來避免不良結果與延長之恢復期。 由於機器學習和人工智慧之共生性增長，醫療物聯網之價值正在增強。於處理來自於感測器醫療裝置之大量連續資訊流時，資料分析和機器學習可更快地提供可據以執行之結論以幫助治療過程。惟醫療物聯網亦可能面臨安全與標準化之挑戰。由於醫療保健的資料是駭客的主要目標，任何與網路連接之設備都存在安全性風險。此外，隨著相關裝置被廣泛地運用，即需要標準化以便利裝置之間的通訊，製造商和監管機構皆需尋找方法來確保裝置可在各種平台上安全地通訊。