從二甲雙胍的黃斑保護潛力到 AI 驅動的藥物再利用，拆解從研究訊號到臨床落地之間的系統性落差。
藥物再利用（drug repurposing）是近年備受關注的領域：與其從零開發新藥，不如尋找既有藥物的新用途。AI 與知識圖譜技術，讓這條路徑出現新的可能。
但從「研究發現潛在關聯」到「成為臨床建議」之間，存在一段漫長且系統性的落差。本專題整理相關文章，說明訊號如何形成、為什麼轉化困難，以及證據分級在其中扮演的角色。
藥物救援是什麼？本文解析候選藥物被擱置的常見原因、資料模型能證明什麼與不能證明什麼、罕見疾病開發的特殊限制，以及台灣生技產業可切入的轉譯驗證、臨床試驗與跨境授權環節。
20 億美元砸進 AI 藥物研發，聽起來像是新藥要量產了。但拉長時間軸看，600 億美元、175 個 AI 藥物進了人體試驗，核准欄還是掛零。判讀這波熱潮，該看的是核准數字，不是募資金額。
多項研究發現二甲雙胍可能降低黃斑部病變風險，但從觀察訊號到臨床建議之間，存在一段系統性落差。本文拆解訊號形成機制、老藥新用的結構困境，以及 TwTxGNN 如何透過五級證據分類縮短這段距離。
AI醫療進入偏鄉常被視為科技平權的象徵，但偏鄉缺的從來不是一台機器，而是整體醫療可近性的系統性缺口。本文從問題根因分析AI在偏鄉醫療中的真實角色，並提供判斷框架。
老藥新用工具給的是預測分數，研究人員需要的是可判斷的證據脈絡。本文拆解從 AI 候選生成到 EHR 整合的四步驗證流程，說明什麼條件才算真正進入臨床工作流。
當一種病被寫成「原因不明」，最沉重的，往往不是那四個字，而是病人和家屬接下來那種不知道該往哪裡走的感覺。你可能也有這種感覺：醫療明明一直在進步，可一碰到某些肺病，還是常聽到「先控制看看」。你以為新藥研發最難的是找到有效成分，其實更難的，常常是先看見真正該打的那個點。
