美國與歐盟共同發布《藥品開發優良人工智慧實務指導原則》

近年來,人工智慧(Artificial Intelligence, AI)於藥品生命週期各階段的應用快速發展,有望促進藥品研發創新並縮短上市時程。然而,AI技術開發、部署、運用與維護皆涉及複雜的治理議題,為確保AI產出結果準確且可靠,並保障藥品安全且有效,有必要於藥品監管體系建立AI管理機制。

美國食品及藥物管理局(Food and Drug Administration, FDA)與歐洲藥品管理局(European Medicines Agency, EMA)於2026年1月14日共同發布《藥品開發優良人工智慧實務指導原則》(Guiding Principles of Good AI Practice in Drug Development),建立AI應用於藥品生命週期的治理框架。

該文件提出10項指導原則,包括:

1.AI開發與使用須符合倫理原則並落實以人為本的價值

2.採取風險為本的方法進行驗證、風險緩解與監督

3.遵循相關法律、倫理、技術、科學、資安及與監管標準,包括優良實務規範(GxP)

4.明確界定使用情境(Context of Use)

5.整合AI技術與使用情境之跨領域專業能力

6.強化資料治理與文件化

7.依循系統設計與軟體工程最佳實務進行模型開發並採用適切資料

8.採行風險為本的效能評估

9.落實AI技術生命週期管理

10.提供清楚且必要的資訊揭露

兩大監管機關強調,該文件可作為未來制定共識標準與監管指引的基礎,並促進國際監管調和與合作。預期將成為各國監管機關建構AI應用於藥品監管體系相關政策、法規與指引的重要參考。

相關連結
你可能會想參加
※ 美國與歐盟共同發布《藥品開發優良人工智慧實務指導原則》, 資訊工業策進會科技法律研究所, https://stli.iii.org.tw/article-detail.aspx?d=9461&no=66&tp=1 (最後瀏覽日:2026/11/21)
引註此篇文章
你可能還會想看
從匯流看我國電信與廣播電視產業之法律規範

美國法院將考慮命Google提交相關資料

  美國布希政府為捍衛1998兒童線上保護法(1998 Child Online Protection Act),要求法院命Google提交有關民眾使用該公司之搜尋引擎所輸入之關鍵字資料,以證明透過搜尋引擎,兒童使用電腦連結到色情網站並非不易。但是,Google主張此將會危及其使用者個人的隱私以及其營業秘密。   一名負責審理此案的法官於日前表示,其將會考量政府蒐集此等資料的需求以及Google之使用者的隱私保護議題,且其可能會允許司法部 (Justice Department) 可以接近使用 (access) 一部分由Google所建立的網站連結目錄,但並不是Google使用者所輸入的關鍵字資料。

日本專利局公布大學研發成果落地運用案例研究,協助大學衍生新創

日本專利局(特許庁)自2019年啟動「智財戰略規劃師派遣計畫」(知財戦略デザイナー派遣事業),向大專院校派遣智財戰略規劃師,發掘大學內部埋藏之研發成果,協助研發成果落地運用或衍生新創公司,進而帶動產業創新。為支援智財戰略規劃師達成上述工作,日本專利局於2023年4月14日公布「大學研究成果衍生新創案例研究」(大学研究成果の社会実装ケーススタディ,以下簡稱案例集),介紹大學衍生新創重要案例,並針對新創公司設立、簽約等各階段,以對話形式說明應注意事項。 案例集分為第1章「新創篇」、第2章「與企業合作篇」,以及第3章「其他篇」,每篇介紹不同案例,一共收錄9個案例,如「以和企業共有之專利作價,投資設立之新創公司」、「AI新創公司之商業模式」、「新藥開發平臺相關之商業模式」、「活用智財戰略設立之新創公司」、「以與企業共同研究為基礎之專利申請戰略」等。上述案例均依照「發現發掘」(発明発掘)、「制定智財戰略」、「預備衍生新創」(社会実装準備)、「支援後階段」等4個流程展開,以圖文及對話形式,提醒規劃師在各階段應注意之支援重點及注意事項,並以專欄形式說明失敗案例,期能作為大學研究者、產學合作窗口衍生新創之參考。

歐洲專利局發布人工智慧與機器學習專利審查指南正式生效

  歐洲專利局(European Patent Office, 下稱EPO)於2018年11月1日發佈新版專利審查指南已正式生效。此次新版的焦點為Part G, Chapter II, 3.3.1關於人工智慧(Artificial Intelligence, AI)與機器學習(Machine Learning, ML)的可專利性審查細則。   在新版審查指南Part G, Chapter II, 3.3中指出數學方法本身為法定不予專利事項,然而人工智慧和機器學習是利用運算模型和演算法來進行分類、聚類、迴歸、降維等發明,例如:神經網路、遺傳演算法、支援向量機(Support Vector Machines, SVM)、K-Means演算法、核迴歸和判別分析,不論它們是否能夠藉由數據加以訓練,此類運算模型和演算法本身,因具有抽象的數學性質而不具專利適格性。   其中,EPO亦針對人工智慧和機器學習相關應用舉例下列特殊情形,說明可否具備發明技術特徵:   (一)可能具技術性 在心臟監測儀器運用神經網路辨別異常心跳,此種技術為具有技術貢獻。 基於低階特徵(例如:影像邊緣、像素數值)的數位影像、影片、音頻或語言訊號分類,屬於分類演算法的技術應用。   (二)可能不具技術性 根據文字內容進行分類,本身不具技術目的,而僅是語言學的目的(T 1358/09) 對抽象數據或電信網路數據紀錄進行分類,但未說明所產生分類的技術用途,亦被認定本身不具技術目的,即使該分類演算法的數據價值高(例如:穩健性)(T 1784/06)。   在新版審查指南中亦指出,當分類方法用於技術目的,其產生之訓練集(training set)和訓練分類器(training the classifier)的步驟,則能被視為發明的技術特徵。   近年來,人工智慧技術的應用分佈在我們的生活中,無論是自駕車、新藥開發、語音辨識、醫療診斷等,隨著人工智慧和機器學習技術快速發展,新版的審查指南將為此技術訂定可專利性標準,EPO未來要如何評判人工智慧和機器學習相關技術,將可透過申請案之審查結果持續進行關注。 「本文同步刊登於TIPS網站(https://www.tips.org.tw )」

TOP