日本修訂醫藥品強化綜合戰略
日本內閣於2017年6月閣議決定「經濟財政營運與改革基本方針2017」，設定醫藥品項倍增目標，並計畫檢討在2020年9月前達成學名藥使用率80%以上之推動政策。基於上開方針，為實現「安定供應國民優良品質醫藥品」、「醫療費效率化」、「產業競爭力強化」等目的，厚生勞動省於2017年12月22日修訂「醫藥品產業強化綜合戰略～著眼全球展開之新藥研發」，希望日本醫藥品產業能從依賴「長期收載品」之商業模式，轉向具備更高新藥開發能力之結構。
「醫藥品產業強化綜合戰略」主要修訂內容如下︰（1）改善日本技術、相關知識等研究開發環境︰如推動癌症基因醫療、資料庫整備、利用AI進行醫藥品研究開發等；（2）透過藥事規制改革減低醫療成本和提高效率︰如善用附條件認可制度，以及先驅審查制度之制度化等；（3）醫藥品生產、製造等基礎設施之整備︰如制定相應之新技術品質管理等規範；（4）適當評價之環境、平台整備︰如各種臨床指引之整備；（5）向海外推廣日本製造之醫藥品︰如制定國際法規調適戰略等；（6）促進新藥開發業界之新陳代謝和全球化創新企業︰支援新創企業之人才育成、金融市場之整備等；（7）改善醫療用醫藥品之流通︰如制定流通改善指引等。
本文為「經濟部產業技術司科技專案成果」
周晨蕙
副主任 編譯整理
厚生労働省，〈「医薬品産業強化総合戦略～グローバル展開を見据えた創薬～」の一部改訂について（公表）〉， http://www.mhlw.go.jp/stf/houdou/0000189123.html（最後瀏覽日期︰2017/02/09）
厚生労働省，〈医薬品産業強化総合戦略 ～グローバル展開を見据えた創薬～〉，http://www.mhlw.go.jp/file/04-Houdouhappyou-10807000-Iseikyoku-Keizaika/0000194058.pdf（最後瀏覽日期︰2017/02/09）
英國資訊委員辦公室（Information Commissioner’s Office, ICO）於2020年4月17日，依據英國資料保護法（Data Protection Act 2018）第115條第3項第b款之授權，針對2020年4月10日Apple和Google因應COVID-19疫情發表之「接觸史追蹤應用程式框架」（Contacting Tracing Framework, CTF），發布意見報告。報告認為，由於CTF具備以下三大特性：（1）不會在裝置間交換個人資料，如帳戶資訊或使用者名稱；（2）配對過程僅在裝置本身進行，並不會有如應用程式伺服器之第三方介入；（3）不需要地理位置資訊就能順利運作，因此符合英國資料保護法第57條有關「透過設計並作為預設以保護個人資料」（Data protection by design and default）之規定。 縱然CTF符合英國資料保護法之規定，英國資訊委員辦公室仍於報告中指出：「未來軟體開發商若於接觸史追蹤應用程式中使用CTF技術，該應用程式於處理使用者之個人資料時，仍應隨時符合英國資料保護法關於透過設計並作為預設以保護個人資料之規定。」COVID-19疫情席捲全球，如何於「掌握感染者接觸史以預防疫情擴散」與「保障個人資料及隱私」間取得平衡，實為各國政府需考量之重要議題。我國人工智慧實驗室於2020年4月開發之「社交距離App」，便是使用類似Apple和Google之CTF技術。此份英國資訊委員辦公室意見報告，等於針對社交距離App是否侵害隱私權益，提供相當解答與指引。
淺談歐洲法院1/09意見後之歐洲共同體專利制度發展近況 基改種子與專利品銷售後使用限制之爭議－美國判決之觀點 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。