Pharmacy Times：FDA核准 Pembrolizumab（Keytruda）用於膽管癌
美國食品藥物管理局（FDA）已核准使用 pembrolizumab（Keytruda; Merck）結合gemcitabine和cisplatin治療局部晚期無法切除或轉移性膽管癌（biliary tract cancer，BTC）。Pembrolizumab 是一種抗程序死亡接受體-1（PD-1）療法，旨在增強免疫系統檢測和對抗腫瘤細胞的能力。此核准代表了在應對BTC的侵略性方面取得的一項重大突破，提供了一種新的免疫療法方法，可能延長患者的生命。膽管癌（BTC）包括罕見、具侵略性的惡性腫瘤，影響肝臟、膽囊和膽管。儘管BTC在原發性肝癌中排名第二，但發病率相對較低。每年約有2萬人受到影響，主要年齡在50到70歲之間，大多數病例在晚期診斷，5年存活率僅為2％至3％。此次核准決定是以第3期KEYNOTE-966試驗（NCT04003636）的結果為基礎；該試驗是一項多中心、雙盲、隨機、安慰劑對照研究。該研究評估了pembrolizumab與gemcitabine和cisplatin相比，比照對未曾接受過全身治療的BTC患者的療效。在該研究中，有1069名患者被隨機分配接受pembrolizumab、gemcitabine和cisplatin，或者接受相同劑量的安慰劑與gemcitabine和cisplatin。治療每3週進行一次，最長持續24個月。主要結果指標，總生存期（OS）顯示，與單獨化療相比，pembrolizumab組合療法減少了17％的死亡風險。值得注意的是，發生免疫介導性不良反應的可能性，包括肺炎、結腸炎、肝炎、內分泌病變、腎炎、皮膚反應、實體器官移植排斥反應，以及異體造血幹細胞移植併發症。治療期間應密切監測患者是否出現不良反應的症狀。此核准代表了應對這一具有挑戰性的疾病的治療格局取得的重大突破，為改善患者預後提供了希望。
STAT：隨著新中心的成立，All of Us 打破健康數據隔閡以推動精準醫學
在過去的五年中，兩個不同的美國聯邦政府措施已經收集了數百萬美國人的健康記錄，匯集了大量臨床數據、藥物歷史、實驗室結果等數據，旨在推動公共衛生研究的進展。現在，這兩個新計劃將匯集它們截然不同的數據分享方式，並攜手合作，以利用現實世界的健康數據來造福人民。今年十月，美國國家衛生研究院（NIH）宣布了一筆3,000萬美元的資助，用於建立「數據聯接和獲取中心」（Center for Linkage and Acquisition of Data，CLAD），這是 All of Us 此研究計劃的一個新資源。儘管該計劃的大部分數據由多元化參與者自主貢獻，他們填寫了詳盡的問卷並同意分享他們的記錄，但新中心將通過匯總來自不同來源的管道來擴大數據收集工作，同時尊重個人的自主權和隱私，該中心旨在造福患者和健康研究，化解導致分散護理和未解決的公共衛生問題的差距。而美國國家Covid群體合作計劃（National Covid Cohort Collaborative，N3C）是一個在COVID-19大流行期間由NIH開發的項目，它使用被動數據收集技術，集結了來自82家機構的電子健康記錄（Electronic Health Record，EHR）與各種類型相關聯的敏感數據，而無需透露患者的身份。N3C的醫療記錄數據庫現在包括2000多萬患者記錄，其中包括800萬COVID-19病例，成為一個寶貴的資源。現在，N3C的方法的一部分將應用於All of Us：CLAD將致力於收集有關 All of Us 的70萬多參與者的醫療給付、死亡和環境因素的數據。儘管美國聯邦政府致力於促進電子健康記錄（EHR）的互通性，數據通常仍然固守在各自獨立的醫療系統中，阻礙了全面的患者護理和研究。數據隔離、隱私法、數據使用協議和使用權等因素進一步加劇了數據共享的困難。All of Us和N3C採用了不同的現實世界健康數據收集方法。All of Us已經招募了超過一百萬的參與者，獲得了他們的同意使用其健康記錄進行研究，並鼓勵他們貢獻額外的醫療信息，包括基因序列、健康調查和來自可穿戴設備的數據。而N3C通過與醫療機構合作而非直接與患者合作，收集了其2000多萬條記錄，以適應大流行期間的迅速需求，合作制定了與醫療中心的數據共享協議，因此無需向每位患者徵求同意，即可使用現有的醫療記錄。並且，他們開發了保護患者身份的隱私保護技術，將患者記錄與其他數據來源（如死亡數據庫、保險索賠、疫苗登記等）相關聯。All of Us將通過CLAD搜索新的數據來源來擴展數據庫，以擴大範圍，而無需透露參與者的身份。這對於All of Us的多元化醫學研究目標尤為重要。將 All of Us 參與者為中心的數據與其他記錄相結合，可以開啟新的研究領域，並造福更廣泛的醫學社區。這些技術可能用以增強臨床試驗，使其更容易收集全面和精確的參與者數據，同時保護隱私。最終目標是實現所有患者之間的數據無縫共享，改善後續護理，應對環境因素，確保預防護理，所有這些都基於完整的患者病史。CLAD的先進技術可能為這些實踐的廣泛實施鋪路，改變醫療數據共享。
News Medical : 新的人工智慧工具可透過預測藥物反應來實現精準醫學
預測個體的藥物反應至關重要，因為對某人有效的藥物可能對另一人無效或甚至有害。為突顯精確醫學的重要性，《Cell Reports》期刊近期的一項研究詳細描述了人工智慧（AI）如何在此領域提供協助。由美國佛州 The Herbert Wertheim UF Scripps 生物醫學創新與技術研究所的神經科學家Kirill Martemyanov博士領導的國際團隊訓練AI預測藥物反應，準確率令人印象深刻。為實現此目的，該團隊剖析了超過100個重要的細胞藥物目標的作用，包括常見的遺傳變異。這涉及到使用獨特的分子跟踪技術。該資訊隨後被整合到AI平台，當訓練完成時，可以預測細胞表面受體，尤其是G蛋白偶聯受體（G protein-coupled receptors，GPCRs）如何對藥物樣分子產生反應，準確率超過80%。這個持續十年的努力所使用的數據範圍廣大，進一步提高了AI模型的精確性。GPCRs對於藥物反應至關重要，有三分之一的藥物與其互動。當藥物與GPCR結合時，它會在細胞內觸發一系列連鎖反應，這可能導致多種結果，如止痛或降低血壓。通過這項研究，科學家們認識到GPCRs反應的顯著變異性，強調了個體化藥物治療的需求。該團隊使用生物發光共振能量轉移（bioluminescence resonance energy transfer）技術以全面方式記錄信號傳導。這涉及將生物發光標籤工程化地嵌入到細胞的蛋白質中，並記錄細胞遇到啟動GPCRs的分子時的變化。後續的數據，結合GPCRs的常見遺傳變體，使研究人員能夠理解變異受體的反應中的顯著差異。該合作還包括了來自瑞士生物信息學研究所的Bruno E. Correia博士的貢獻，他在創建AI算法中發揮了關鍵作用，以及Sanford研究所的Ikuo Masuho博士。憑藉這些精煉的知識，未來有望提供更加量身定制的治療，有可能徹底改變藥物處方的格局，並實現真正的精確醫學。