Albumin Smart Test is an innovative device for screening of kidney disease by mobile phone. The device composes of (1) container and testing device with specific reagents for the albumin detection. (2) The mobile phone, installed with "Albumin smart test" application. The test is started by dropping patient urine and the reagent. Color of the product is occurred and is captured by the application with subsequent evaluation of the albumin amount. The results is displayed on screen within 3 mins. This innovative device is simple, rapid and user-friendly.
อัลบูมิน (Albumin) คือโปรตีนชนิดหนึ่ง โดยทั่วไป จะไม่พบอัลบูมินในปัสสาวะ ยกเว้นในกรณีที่ไตทำงานผิดปกติ ซึ่งมักพบในผู้ป่วยที่ป่วยเป็นโรคเบาหวานเป็นระยะเวลานาน หรือที่เรียกว่า "โรคไตจากเบาหวาน" (Diabetic nephropathy) จะพบ อัลบูมินปนในปัสสาวะ ดังนั้น ปริมาณอัลบูมินในปัสสาวะ (Urinary albumin) จึงสามารถใช้เป็นดัชนีบ่งชี้การทำงานของไตในผู้ป่วยเบาหวานได้ โดยถ้าพบปริมาณอัลบูมินในปัสสาวะที่เก็บภายใน 24 ชั่วโมง น้อยกว่า 30 มิลลิกรัม จะถือว่าไตทำงานเป็นปกติ แต่ถ้าพบปริมาณอัลบูมินอยู่ในช่วงตั้งแต่ 30 ถึง 300 มิลลิกรัม จะจัดว่าไตทำงานผิดปกติในระยะแรก เรียกว่า "ภาวะไมโครอัลบูมินูเรีย" (Microalbuminuria) ซึ่งหากผู้ป่วยเข้ารับการรักษาตั้งแต่ระยะนี้ จะลดโอกาสเสี่ยงต่อภาวะไตวายเรื้อรังได้อย่างมาก วิธีการตรวจวัดระดับอัลบูมินในปัสสาวะในปัจจุบัน ทำโดยเก็บตัวอย่างปัสสาวะของผู้ป่วย ส่งไปที่ห้องปฏิบัติการของโรงพยาบาล ถึงแม้จะให้ผลถูกต้องแม่นยำ หากแต่มีขั้นตอนในการวิเคราะห์หลายขั้นตอน ใช้เวลานานกว่าจะรู้ผล อีกทั้งเครื่องมือมีขนาดใหญ่และมีความซับซ้อน ต้องใช้ผู้เชี่ยวชาญทำการทดสอบ ผู้ป่วยไม่สามารถวัดระดับอัลบูมินได้เอง ดังนั้นจึงจำเป็นต้องมีอุปกรณ์ตรวจคัดกรองปริมาณอัลบูมินที่ใช้ทดสอบนอกห้องปฏิบัติการได้ โดยควรเป็นอุปกรณ์ขนาดเล็ก พกพาสะดวก ใช้งานง่าย เหมาะสำหรับการวินิจฉัยนอกห้องปฏิบัติการ หรือ ‘Point-of-care testing’ ในปัจจุบัน ชุดตรวจวัดอัลบูมินในปัสสาวะแบบภาคสนามที่มีจำหน่าย จะทำการทดสอบโดยจุ่มแถบตรวจวัดที่เคลือบด้วยน้ำยาซึ่งจะทำปฏิกิริยากับอัลบูมินในปัสสาวะ แล้วเกิดการเปลี่ยนแปลงที่แถบสี โดยระดับความเข้มสีจะแปรผันกับปริมาณของอัลบูมินที่ต้องการตรวจวัด ถึงแม้จะใช้งานง่าย แต่มีข้อจำจัดคืออาจมีความคลาดเคลื่อน เนื่องจากเป็นการตรวจวัดด้วยสายตา การแปลผลอาจจะไม่ละเอียดพอ ไม่ใกล้เคียงกับความเป็นจริง อีกทั้งสีของปัสสาวะอาจรบกวนการทดสอบได้ เพื่อเป็นการพัฒนาวิธีทดสอบให้มีประสิทธิภาพ มีความถูกต้องแม่นยำมากขึ้น จึงได้ประดิษฐ์ Albumin Smart Test สำหรับตรวจคัดกรองอัลบูมินในปัสสาวะโดยใช้โทรศัพท์มือถือขึ้น โดยออกแบบให้ใช้งานง่าย รู้ผลเร็ว พกพาไปใช้ ณ ที่ใดก็ได้ และสามารถหักล้างการรบกวนจากสีของตัวอย่างปัสสาวะได้
คณะวิศวกรรมศาสตร์
SecurionSphere is the penetration testing learning platform that focuses on web application exploitation. This platform is intended to address concerns seen in existing penetration testing platforms, such as resource sharing that may affect other users and the constant environment configuration the permits the same response leading to copy the answer from others. Supervisors can use templates to address various forms of web application vulnerability threats. Users can generate the instance of supervisor's templates machine. The platform also randomly generates the environment configuration for each machine has the difference environment and the answer. This allows the users get more realistic learning experiences without affecting the resources of others.
วิทยาลัยการจัดการนวัตกรรมและอุตสาหกรรม
Diabetes is a significant global health issue, particularly due to complications related to diabetic wounds. Studies indicate that approximately 15-25% of diabetic patients develop foot ulcers, with more than 50% of severe cases leading to amputation. This results in a substantial decline in the quality of life for patients. Current treatments for diabetic wounds face challenges such as antibiotic-resistant bacterial infections and delayed wound healing, highlighting the need for innovative solutions to accelerate the healing process and reduce the risk of limb loss. Cotylelobium lanceolatum Craib, a medicinal plant long utilized in traditional Thai medicine, is known for its anti-inflammatory and wound-healing properties. This study focuses on developing an extract from Cotylelobium lanceolatum Craib in the form of nano silver (Nano Silver) to enhance the effectiveness of diabetic wound treatment. Nano silver technology enables deeper penetration into the skin, provides potent antibacterial activity, and promotes wound healing by reducing inflammation and stimulating tissue regeneration. The development of nano silver derived from Cotylelobium lanceolatum Craib extract is expected to help reduce chronic wounds in diabetic patients, lower the risk of infection, and decrease the incidence of limb amputation and mortality associated with diabetic wound complications. This research represents a significant step toward creating a safer and more effective treatment alternative for diabetic wound care.
คณะเทคโนโลยีสารสนเทศ
Facial Expression Recognition (FER) has attracted considerable attention in fields such as healthcare, customer service, and behavior analysis. However, challenges remain in developing a robust system capable of adapting to various environments and dynamic situations. In this study, the researchers introduced an Ensemble Learning approach to merge outputs from multiple models trained in specific conditions, allowing the system to retain old information while efficiently learning new data. This technique is advantageous in terms of training time and resource usage, as it reduces the need to retrain a new model entirely when faced with new conditions. Instead, new specialized models can be added to the Ensemble system with minimal resource requirements. The study explores two main approaches to Ensemble Learning: averaging outputs from dedicated models trained under specific scenarios and using Mixture of Experts (MoE), a technique that combines multiple models each specialized in different situations. Experimental results showed that Mixture of Experts (MoE) performs more effectively than the Averaging Ensemble method for emotion classification in all scenarios. The MoE system achieved an average accuracy of 84.41% on the CK+ dataset, 54.20% on Oulu-CASIA, and 61.66% on RAVDESS, surpassing the 71.64%, 44.99%, and 57.60% achieved by Averaging Ensemble in these datasets, respectively. These results demonstrate MoE’s ability to accurately select the model specialized for each specific scenario, enhancing the system’s capacity to handle more complex environments.