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
วิทยาลัยวิศวกรรมสังคีต
Some musicians are hearing impaired, some have finished their careers, but some continue to work, and it is much harder for them to be deaf than for musicians who are not. Some use hearing aids in their daily lives and use in-ear monitors in their live performances, which seem normal, but in their in-ears they only hear the metronome and drums. How can we improve the performance of in-ear monitors to near normal?
คณะเทคโนโลยีการเกษตร
Efficient durian orchard development requires integrating knowledge, technology, and innovation from farmers and academics to cope with environmental changes and market demands. The Durian Web-based Learning Hub is an online learning platform developed to serve as a central hub for knowledge transfer from experts and as a space for experience exchange among farmers. Users can access learning resources conveniently and continuously. This platform is part of the Innovation Project for Production and Marketing Information Management Innovation for Enhancing the Quality of Durian Production Entering into Premium Markets, supported by the Program Management Unit for Area-Based Development (PMUA)
คณะวิทยาศาสตร์
With the development of space technology, wide-field sky surveys using telescopes have expanded the range of new data available for time-domain astronomical research. Traditional data analysis methods can no longer respond quickly and accurately enough to the growing volume of data. Thus, classifying time-series data, such as light curves, has become a significant challenge in the era of big data. In modern times, analyzing light curves has become essential for using machine learning techniques to handle and filter through massive amounts of data. Machine learning algorithms can be divided into two categories: shallow learning and deep learning. Numerous researchers have proposed and developed a variety of algorithms for light curve classification. In this study, we experimented with Support Vector Machine (SVM) and XGBoost, which are shallow machine learning algorithms, as well as 1D-CNN and Long Short-Term Memory (LSTM), which are deep learning algorithms, which are branches of deep machine learning, to classify variable stars. The training and testing data used in this study were from the Optical Gravitational Lensing Experiment-III (OGLE-III), consisting of variable star data from the Large Magellanic Cloud (LMC), categorized into five main classes: Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars, and Long-period variables. The results demonstrate the performance analysis of each machine learning algorithm type applied to light curve data, while also highlighting the accuracy and statistical metrics of the algorithms used in the experiments.