2023年9月5日 每日要聞

一項由來自美國威斯康辛州Usona研究所的Charles L. Raison醫生領導團隊進行的研究指出，跟據報告數據顯示，迷幻藥物裸蓋菇素（psilocybin）顯著改善了重度憂鬱症（Major Depressive Disorder，MDD）的關鍵指標，包括Montgomery-Asberg抑鬱評分量表（MADRS）和Sheehan Disability Scale（SDS）分數。與接受安慰劑菸鹼酸（niacin）的病人相比，使用裸蓋菇素的病人更可能維持療效。然而，此新藥並非沒有臨床上的憂慮：調查人員觀察到，在接受裸蓋菇素治療的病人中，整體和嚴重不良反應的發生率較高，並且緩解率沒有增加。試驗自2019年12月至2022年6月進行，最後篩選涉及104名參與者，年齡在21至65歲之間，被診斷患有重度憂鬱症達60天或更久。參與者的平均年齡是41.1歲，其中一半是女性。有13名患者報告有抗藥性憂鬱症，而23名在研究前進行了藥物減量。兩個主要量表為Montgomery-Asberg抑鬱評分量表（MADRS）是一範圍0-60分的量表，分數越高表示憂鬱症狀越嚴重；Sheehan Disability Scale（SDS）則用於評估功能障礙。該團隊尋求的主要結果是從基準線到第43天在由中央評分者評估的MADRS（Montgomery-Asberg抑鬱評分量表）分數上的變化—這是一個0-60分的量表，分數越高表示抑鬱症狀越嚴重。次要結果包括從基線到第8天的MADRS分數變化、從基線到第43天的SDS（Sheehan Disability Scale）分數變化，以及根據MADRS的持續治療反應和緩解。第43天的結果顯示，在使用裸蓋菇素（psilocybin）的組別中，MADRS分數平均下降了-19.1分，顯著多於安慰劑（菸鹼酸，niacin）組別的-6.8分。而第8天的結果，在使用裸蓋菇素的組別中，MADRS分數迅速下降，平均降幅為-17.8分，而在安慰劑組則為-5.8分。在使用裸蓋菇素的組別中，有44名（88%）受試者在第43天表示了一或多個不良反應，相比之下，在使用安慰劑的組別中，只有33名（61%）受試者表示了不良反應。僅在使用裸蓋菇素的組別中觀察到較嚴重的情況：4名病人（8%）顯示出如偏頭痛、頭痛、幻覺、恐慌和偏執等症狀。在使用裸蓋菇素的組別中，並沒有顯示出顯著的緩解率改善。此研究顯示，單劑25毫克的裸蓋菇素顯著減少了重度憂鬱症症狀和功能障礙。然而，它也伴隨著更高可能性的不良反應。進一步的研究極為必要，以確認這些發現，並了解長期的效果和安全性。

在2023年，抗癌藥物Enhertu獲得了美國食品和藥物管理局（FDA）兩項額外的突破創新治療指定，使其總指定數現達七次。此藥物由Daiichi Sankyo和AstraZeneca聯合開發，是一針對第二型人類上皮生長因子受體（HER2）的抗體藥物複合體 (antibody-drug conjugate，ADC) ）。Enhertu已獲批用於治療多種癌症，包括乳腺癌、非小細胞肺癌和胃食管連接處腺癌。最新的一項指定擴大了其適用範圍，用於治療對現有治療無反應、無法以手術切除、或轉移性HER2陽性實體瘤患者，強調其作為全腫瘤型藥物的潛力。這一點得到了2023年7月發表的名為DESTINY-PanTumor02的二期試驗的正面數據支持，該試驗顯示該藥在多種癌症類型中（包括膽道、膀胱和卵巢癌等）使腫瘤縮小了37.1%。第二個新的突破性指定針對已接受兩種或更多先前治療的HER2陽性轉移性結腸癌患者。這些榮譽標誌著該藥物有前途的未來，並得到GlobalData的預測支持，該預測預計其全球銷售額將在2029年超過99億美元，這要歸功於更多的使用和擴大到新的適應症。AstraZeneca的腫瘤研發執行副總裁Susan Galbraith指出，這些指定對Enhertu在治療一廣泛範圍的HER2表達腫瘤方面是至關重要的一步，為預後不佳的患者帶來希望。

美國食品和藥物管理局（FDA）認知到人工智慧（AI）和機器學習（ML）對藥物開發的重大影響：這些技術正在重新塑造傳統方法，也整合到藥物開發過程的各個階段和治療領域中；歐洲藥品管理局（EMA）也提出在醫學中對安全使用AI/ML規範支援的需要。AI/ML工具協助藥物開發的數據獲取、分析和解釋工作，貫穿藥物開發生命週期。它們可以取代動物模型，識別適合的藥物靶點，預測患者反應，並簡化臨床試驗。這些技術提高了分析複雜生物數據的速度和準確度，從而加快了藥物發現。

然而，在藥物開發中引入AI/ML也帶來了以下必需考量的挑戰：

數據偏差和質量：有偏差或質量不佳的訓練數據可能導致對藥物安全性和功效的不準確預測。
解釋困難：複雜的AI/ML模型可能難以理解，阻礙了規範批准和信任。
過度擬合和通用化：模型在訓練數據上表現出色，但在新數據上無法通用，導致錯誤結論。
倫理和規範關注：AI/ML決策可能與倫理或規範不一致，引發顧慮。
依賴數據數量：模型需要大量高質量數據，限制了其在罕見疾病或新靶點上的應用。
意外後果：複雜的生物相互作用可能導致AI/ML決策產生意外結果。
技術挑戰：實施AI/ML技術需要專業知識，準確的算法和資源密集的整合。
人類專業知識：平衡AI洞察力與人類專業知識對於維護決策質量至關重要。
長期安全性和功效：AI/ML可能無法捕捉藥物發布後多年才出現的長期安全性和功效問題。

總結而言，AI/ML技術提供更快的藥物發現、降低成本和改善患者結果。儘管它們具有潛力，但在成功整合和創新藥物開發方面，仔細考慮挑戰、驗證、規範和報告透明化是必不可少的。

Ref.:

• https://www.hcplive.com/view/single-dose-psilocybin-improves-major-depressive-disorder-symptoms-8-days
• https://www.pharmaceutical-technology.com/news/enhertu-wins-two-fda-breakthrough-therapy-designations/
• https://www.pharmacytimes.com/view/revolutionizing-drug-development-through-artificial-intelligence-machine-learning