Cancer is one of the major health issues in Thailand, particularly as the country enters an aging society. The risk of chronic diseases among the elderly often results in limitations in treatment, making it difficult for most patients to achieve a complete recovery. This necessitates continuous care and the provision of accurate information and guidance about cancer. However, current health record systems for patients lack effective interconnectivity, which hinders data analysis and the development of patient care models. Additionally, incorrect information about cancer spread across social media can lead to misunderstandings among elderly patients. To address these issues, researchers have developed a chatbot system that utilizes Natural Language Processing (NLP) technology to understand human language and accurately respond to questions about elderly cancer patient care. The chatbot provides reliable and up-to-date information based on medical knowledge sourced from a database reviewed by healthcare professionals. Furthermore, a web application has been developed to record and analyze patient assessments according to medical standards, enabling healthcare providers to plan and develop appropriate treatment approaches in a better way. This system also facilitates data sharing and connectivity across hospital systems, allowing information to be used to enhance the precision and modernity of treatment approaches. In addition, the chatbot acts as an assistant, providing information and guidance to patients, reducing the workload of healthcare staff in answering questions and encouraging patients to take a more active role in managing their own health.
โรคมะเร็งเป็นหนึ่งในสาเหตุสำคัญของการเจ็บป่วยและการเสียชีวิตของประชากรทั่วโลก องค์กรอนามัยโลก (World Health Organization; WHO) ระบุว่าในปี 2022 มีผู้ป่วยมะเร็งรายใหม่ประมาณ 20 ล้านคน และคาดว่าในปี 2050 จะมีผู้ป่วยมะเร็งรายใหม่เพิ่มเป็น 35 ล้านคนทั่วโลก โดยในประเทศไทยมีผู้ป่วยมะเร็งรายใหม่จำแนกตามระยะ ของโรคและกลุ่มอายุ ซึ่งพบว่าผู้ป่วยโรคมะเร็งที่อยู่ในระยะ ลุกลามส่วนใหญ่อยู่ในกลุ่มผู้สูงอายุร้อยละ 87 และมากกว่า ร้อยละ 50 ของผู้ป่วยโรคมะเร็งทั้งหมด จากสถิติดังกล่าว สามารถสรุปได้ว่า อายุที่เพิ่มขึ้นเป็นปัจจัยเสี่ยงสำคัญที่ส่ง- ผลต่อการเกิดโรคมะเร็ง ทำให้ผู้สูงอายุจึงมีความเสี่ยงสูง กว่ากลุ่มอายุอื่น ๆ และจำเป็นต้องได้รับการดูแลรักษา อย่างใกล้ชิด แต่การรักษาในปัจจุบันพบว่าการบันทึกข้อมูล ในแต่ละโรงพยาบาลของไทยมักไม่เชื่อมโยงกัน ซึ่งนำไปสู่ การวิเคราะห์และการวิจัยที่เป็นไปอย่างล่าช้า นอกจากนี้ ผู้สูงอายุส่วนใหญ่มักพบอุปสรรคในการเข้าถึงข้อมูลที่เกี่ยวข้องกับโรคมะเร็ง โดยเฉพาะข้อมูลจากแหล่งที่ไม่น่าเชื่อถือ ซึ่งอาจทำให้เกิดการเข้าใจผิดเกี่ยวกับโรคและวิธีการรักษา ดังนั้นผู้วิจัยจึงพัฒนาระบบแชทบอทและเว็บแอปพลิเคชัน เพื่อช่วยในการเข้าถึงบริการด้านสุขภาพของผู้ป่วยสูงอายุ และอำนวยความสะดวกให้แก่บุคลากรทางการแพทย์
คณะอุตสาหกรรมอาหาร
This research aims to optimize the production process of gamma-aminobutyric acid (GABA) in fermented pineapple juice using probiotics and acetic acid bacteria (AAB), which are microorganisms with the potential to enhance GABA levels. This process has been developed to improve the nutritional value of fermented pineapple juice and to increase the economic value of Thai pineapples, which have long suffered from low market prices. This study focuses on determining the optimal conditions for GABA production by examining factors such as sugar content, pH levels, fermentation duration, and L-glutamate concentration, as well as the co-cultivation of probiotics and acetic acid bacteria. The experiments are conducted using controlled fermentation techniques, and the bioactive components of the fermented juice are analyzed with advanced instruments such as HPLC and GC-MS. The findings of this research are expected to contribute to the development of formulations and production processes for a high-GABA pineapple-based functional beverage. This product could offer health benefits such as stress reduction, cognitive function enhancement, and relaxation while also strengthening the potential of Thailand’s fermented food and beverage industry.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
When it comes to the general perception of death, it is often seen as something negative or inauspicious. However, the end or death of someone can sometimes be the beginning of change, influencing thoughts, lifestyles, and attitudes in a positive way for those around them. For students aged 13-18, accessing and understanding this topic remains a challenge. Most available information is often presented in complex forms that are difficult for young people to grasp. Moreover, teaching materials in schools often lack creativity and engagement, leading to a decline in students’ interest in this subject. To address this issue, a website has been designed as an accessible and creative resource. It aims to deepen young people's understanding of the impact of actions and the death of individuals on the world they live in, while inspiring them to become part of creating positive change for the future.
คณะวิทยาศาสตร์
Otitis Media is an infection of the middle ear that can occur in individuals of all ages. Diagnosis typically involves analyzing images taken with an otoscope by specialized physicians, which relies heavily on medical experience to expedite the process. This research introduces computer vision technology to assist in the preliminary diagnosis, aiding expert decision-making. By utilizing deep learning techniques and convolutional neural networks, specifically the YOLOv8 and Inception v3 architectures, the study aims to classify the disease and its five characteristics used by physicians: color, transparency, fluid, retraction, and perforation. Additionally, image segmentation and classification methods were employed to analyze and predict the types of Otitis Media, which are categorized into four types: Otitis Media with Effusion, Acute Otitis Media with Effusion, Perforation, and Normal. Experimental results indicate that the classification model performs moderately well in directly classifying Otitis Media, with an accuracy of 65.7%, a recall of 65.7%, and a precision of 67.6%. Moreover, the model provides the best results for classifying the perforation characteristic, with an accuracy of 91.8%, a recall of 91.8%, and a precision of 92.1%. In contrast, the classification model that incorporates image segmentation techniques achieved the best overall performance, with an mAP50-95 of 79.63%, a recall of 100%, and a precision of 99.8%. However, this model has not yet been tested for classifying the different types of Otitis Media.