臨床計畫追蹤與管理系統（Protocol Tracking and Management System, PTMS）是美國國家衛生研究院所開發的「臨床資訊管理系統（CIMS）」中的一個子系統。此系統可協助醫院IRB或REC追蹤與管理臨床研究或試驗的審查申請案。

人體生物資料庫是推動精準醫療的基石，因此政府自2020年起推動人體生物資料庫整合平台計畫，建立統一的品管標準、單一的申請窗口，以活化產、學、研各界的檢體使用。人體生物資料庫除了面對使用量增大的挑戰外，也要積極地蒐集與檢體相關的臨床數據，未來可能還要管理使用者回饋的定序數據等。為提升人體生物資料庫的服務品質與效率，可能需要思考數位化，數位優化，甚至數位轉型的問題。

真實世界數據（real world data, RWD）簡稱為實境數據，大部份是既存的數據，只要轉換為「可即時做人工智慧分析的數據（AI-ready data）」格式，即可做各種大數據分析。實境數據不是為了特定臨床試驗的目的而收集，可是隨著數據科學的發展，由實境數據所衍生的實境證據（real world evidence, RWE），不但是實證醫學的基礎，亦可用於藥品或醫材的上市申請，甚至可透過深度學習發展診斷用軟體，向數位醫學的理想前進。在合法使用實境數據前必須先做去識別化，或是去連結，以保護數據中可能參雜的個人的辨識資料（personally identifiable information, PII）。

雖然精準醫療仍在發展與試驗中，但精準醫療已不再是夢。許多國內的醫院已開始利用伴隨式生物標記，輔助精準用藥。使用生物標記選擇早期臨床試驗的受試者，不但可加快試驗的速度，亦可節省藥物開發的經費，間接地降低藥價。華聯生技公司對這先進的方法已有成功的經驗，有助於治療方法的開發。因此，臨床資訊產學聯盟特別邀請到該公司大數據處處長，吳政道博士說明該公司在這方向的策略與進展。

深度學習的技術在醫學領域有許多的應用，醫學智慧使用人工智慧的方法，瞭解疾病形成的軌跡，在早期偵測異常已提出預警。欲達到此目標，需要大量的數據，因為深度學習與傳統機器學習的主要差別在於數據越多時，深度學習的學習的效果越好。而收集與整理大量的實境數據（RWD）時，需要遵從國際標準，確保數據的可交換性。