The Diabetes Meal Management Application is a digital health tool designed to empower Type 2 diabetic patients in managing their diet and blood sugar levels more effectively. With features like personalized meal recommendations, nutrient tracking, and seamless integration with wearable blood glucose monitors via Blood sugar measuring device (CGM), the application enables users to monitor glucose fluctuations in real time and adjust dietary choices accordingly. Built with the Flutter framework and supported by a backend of Express.js and MongoDB, the application prioritizes a user-friendly interface, ensuring easy navigation and encouraging consistent engagement with meal planning and health tracking. Preliminary user trials show that the application contributes to more stable blood sugar levels and improved adherence to dietary recommendations, helping users reduce health risks associated with diabetes complications. By offering a proactive approach to diabetes management, the application reduces the need for frequent clinical interventions, thus potentially lowering medical costs over time. This project highlights the promising role of digital health solutions in supporting personalized diabetes care, emphasizing the potential for scalable, user-centered interventions that foster long-term health improvements for diabetic patients.
ในปัจจุบันโรคเบาหวานเป็นปัญหาสุขภาพที่สำคัญระดับโลก โดยเฉพาะอย่างยิ่งในประเทศไทยที่พบจำนวนผู้ป่วยเพิ่มขึ้นอย่างต่อเนื่อง จากข้อมูลในปี 2566 จำนวนผู้ป่วยโรคเบาหวานชนิดที่ 2 ในประเทศไทยมีมากกว่า 5.2 ล้านคน คิดเป็นประมาณ 1 ใน 11 ของประชากรที่มีอายุ 15 ปีขึ้นไป โรคเบาหวานชนิดที่ 2 คิดเป็น 90-95% ของผู้ป่วยเบาหวานทั้งหมดในประเทศไทย ซึ่งเป็นผลมาจากการดำเนินชีวิตที่ไม่เหมาะสม พบว่ามีค่าใช้จ่ายเฉลี่ยในการรักษาพยาบาลโดยประมาณคือ 28,200 บาทต่อคนต่อปี และหากมีภาวะแทรกซ้อน หรือเป็นโรคเรื้อรังอื่น ๆ เช่น โรคไต โรคหัวใจและหลอดเลือด อาจมีค่ารักษาสูงถึงหลักแสนบาทต่อคนต่อปี โดยผู้ป่วยโรคเบาหวานส่วนใหญ่มักไม่ได้รับการดูแลในเรื่องโภชนาการให้ดีเท่าที่ควร ส่งผลให้การรักษาระดับน้ำตาลในเลือดไม่อยู่เกณฑ์ที่เหมาะสม จนนำไปสู่ภาวะแทรกซ้อนที่รุนแรง ดังนั้น การควบคุมระดับน้ำตาลในเลือดของผู้ป่วยเบาหวาน จึงมีความสำคัญในการช่วยลดภาระค่าใช้จ่าย และโอกาสการเสียชีวิตได้ การควบคุมอาหารถือเป็นหนึ่งในวิธีการรักษาและควบคุมระดับน้ำตาลในเลือดที่มีประสิทธิภาพ แต่ผู้ป่วยจำนวนมากยังขาดความรู้และทักษะในการเลือกรับประทานอาหารที่เหมาะสม จึงจำเป็นต้องได้รับคำแนะนำด้านโภชนาการที่ถูกต้อง โครงงานแอปพลิเคชันจัดการอาหารสำหรับผู้ป่วยเบาหวาน จึงเป็นแนวทางหนึ่งที่สามารถช่วยผู้ป่วยในการวางแผนเมนูอาหารและติดตามระดับน้ำตาลในเลือดได้อย่างเหมาะสม อีกทั้งยังช่วยลดความซับซ้อนในการคำนวณสารอาหารที่ได้รับในแต่ละวัน นอกจากนี้ การเชื่อมต่อแอปพลิเคชันกับอุปกรณ์ตรวจวัดระดับน้ำตาลในเลือดจะช่วยให้ผู้ป่วยสามารถรับข้อมูลได้ทันท่วงที เพื่อใช้ในการบริหารจัดการสุขภาพของตนเอง
คณะวิศวกรรมศาสตร์
Under The National Broadcasting and Telecommunications Commission (NBTC), the Telecommunication Enforcement Bureau collects a lot of data on service quality by monitoring and controlling the quality of telecommunications services, mainly by assessing mobile network infrastructure. The NBTC used Microsoft Excel for data analysis but became ineffective and slow. We used Python programming for preparation, analysis, and data processing to address this. Raw data was obtained from the Syberiz program in CSV format, processed in Python, and displayed on a dashboard. The dashboard, developed using Power BI, meets NBTC's telecommunications quality standards. It features maps, test results, and graphical representations. This method enhances the dashboard's appearance and usability and speeds up data processing and visualization compared to Microsoft Excel. This project is primarily designed to help the Telecommunication Enforcement Bureau's operations by making data processing and display for telecommunications quality monitoring faster, more effective, and easier to use.
คณะศิลปศาสตร์
Layla, the hotel robot, is responsible for carrying guests’ luggage and guiding them to their accommodations. It is equipped with an internal map of the hotel, allowing it to navigate various locations efficiently. Additionally, it features an AI-powered system that enables interactive conversations in three major languages: Thai, English, and Chinese.
คณะวิทยาศาสตร์
This special problem aims to study and compare the performance of predicting the air quality index (AQI) using five ensemble machine learning methods: random forest, XGBoost, CatBoost, stacking ensemble of random forest and XGBoost, and stacking ensemble of random forest, SVR, and MLP. The study uses a dataset from the Central Pollution Control Board of India (CPCB), which includes fifteen pollutants and nine meteorological variables collected between January, 2021 and December, 2023. In this study, there were 1,024,920 records. The performance is measured using three methods: root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination. The study found that the random forest and XGBoost stacking ensemble had the best performance measures among the three methods, with the minimum RMSE of 0.1040, the minimum MAE of 0.0675, and the maximum of 0.8128. SHAP-based model interpretation method for five machine learning methods. All methods reached the same conclusion: the two variables that most significantly impacted the global prediction were PM2.5 and PM10, respectively.