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.
โรคเบาหวานเป็นปัญหาสุขภาพที่สำคัญทั่วโลก โดยเฉพาะภาวะแทรกซ้อนที่เกี่ยวข้องกับ แผลเบาหวาน ซึ่งพบว่า ร้อยละ 25 ของผู้ป่วยเบาหวานมีแนวโน้มเกิดแผลที่เท้า และแผลเหล่านี้มักรักษายากกว่าบาดแผลทั่วไป เนื่องจากมี ภาวะการไหลเวียนเลือดผิดปกติ การติดเชื้อแบคทีเรียดื้อยา และการฟื้นฟูเนื้อเยื่อที่ล่าช้า หากไม่ได้รับการรักษาที่เหมาะสม อาจนำไปสู่ภาวะแทรกซ้อนที่รุนแรงจนต้องทำ การตัดขา ซึ่งในแต่ละปีมีผู้ป่วยเบาหวานมากกว่า 26,000 รายที่ต้องถูกตัดขา ส่งผลกระทบต่อคุณภาพชีวิตของผู้ป่วยและเพิ่มภาระค่าใช้จ่ายในการรักษาพยาบาล ปัจจุบัน ยารักษาแผลเบาหวานที่มีอยู่ในท้องตลาดมักมีราคาสูง และยังพบปัญหาเรื่อง การดื้อยาและผลข้างเคียงจากการใช้ยาปฏิชีวนะในระยะยาว ดังนั้น การพัฒนา นวัตกรรมจากสมุนไพรไทย ที่สามารถช่วยรักษาแผลเบาหวานได้อย่างมีประสิทธิภาพจึงเป็นแนวทางที่สำคัญ งานวิจัยนี้มุ่งเน้นไปที่การพัฒนาสารสกัดจาก เคี่ยม (Cotylelobium lanceolatum Craib) ซึ่งเป็น สมุนไพรไทยที่ถูกใช้ในยาแผนโบราณมาช้านาน โดยเฉพาะด้านการรักษาแผลและการต้านการอักเสบ ด้วยเทคโนโลยี นาโนซิลเวอร์ (Nano Silver) ซึ่งช่วยเพิ่มการดูดซึมเข้าสู่เนื้อเยื่อได้ลึกขึ้น ฆ่าเชื้อแบคทีเรียได้ดี และช่วยเร่งกระบวนการสมานแผล การพัฒนาสารสกัดเคี่ยมในรูปแบบนาโนซิลเวอร์นี้ คาดว่าจะเป็น ทางเลือกใหม่ในการรักษาแผลเบาหวาน ที่มีต้นทุนต่ำกว่ายาปัจจุบัน ลดการเกิดแผลเรื้อรัง ลดความเสี่ยงในการถูกตัดขา และช่วยให้ผู้ป่วยสามารถเข้าถึงการรักษาที่มีประสิทธิภาพได้มากขึ้น ซึ่งจะช่วยลดอัตราการเสียชีวิตจากภาวะแทรกซ้อนของโรคเบาหวานในระยะยาว
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.
วิทยาลัยเทคโนโลยีและนวัตกรรมวัสดุ
The photoelectrochemical detection of salbutamol, which is illicitly used as a lean meat promoter in pigs, is investigated using a molecularly imprinted polymer (MIP)-based sensor with a CuO/g-C₃N₄ nanocomposite to enhance detection performance, leveraging nanomaterials and molecular imprinting for high selectivity and sensitivity. This approach offers a promising strategy for the precise and efficient analysis of salbutamol in food samples.