การพัฒนาเว็บแอปพลิเคชันเพื่อการจัดประเภทผลิตภัณฑ์สุขภาพ
Article Sidebar
Main Article Content
บทคัดย่อ
วัตถุประสงค์: เพื่อพัฒนาเว็บแอปพลิเคชันสำหรับการจัดประเภทผลิตภัณฑ์สุขภาพที่อยู่ในการกำกับของสำนักงานคณะกรรมการอาหารและยา (อย.) โดยเป็นเครื่องมือสนับสนุนการตัดสินใจที่ช่วยให้ผู้ประกอบการและนักวิจัยสามารถจัดประเภทผลิตภัณฑ์ของตนและเตรียมการขึ้นทะเบียนได้ด้วยตนเอง วิธีการวิจัย: เว็บแอปพลิเคชันนี้พัฒนาโดยใช้แพลตฟอร์ม Google Apps Script (GAS) โดยมีส่วน rule-based system สำหรับจัดประเภทผลิตภัณฑ์ตามกฎหมายและตามแผนภูมิการจัดประเภทของ อย. นอกจากนี้ ยังมีส่วนให้คำแนะนำเบื้องต้นด้วย generative AI (artificial intelligence) ประเภท large language model (LLM) โดยใช้โมเดล gpt-5 จาก OpenAI ผ่าน API ผู้วิจัยประเมินประสิทธิภาพของระบบโดยเปรียบเทียบผลการจัดประเภทโดยใช้ rule-based system, generative AI และผู้เชี่ยวชาญจาก อย. 2 ท่าน ตลอดจนประเมินความพึงพอใจของผู้ใช้งาน 30 คนที่มารับบริการที่ศูนย์บริการผลิตภัณฑ์สุขภาพเบ็ดเสร็จของ อย. ผลการวิจัย:การจัดประเภทผลิตภัณฑ์โดย rule-based system และ generative AI มีความสอดคล้องกับผลการจัดประเภทของผู้เชี่ยวชาญ 2 ท่านในระดับสูงมาก (Fleiss’ Kappa = 0.862) และไม่มีความแตกต่างอย่างมีนัยสำคัญทางสถิติระหว่างผลการประเมินในแต่ละวิธี rule-based system ให้ผลสอดคล้องกับผู้เชี่ยวชาญในระดับสูงมาก (K = 0.918) ขณะที่ generative AI สอดคล้องในระดับดี (K = 0.751) และมี overall accuracy อยู่ที่ 0.933 สำหรับ rule-based system และ 0.800 สำหรับ generative AI ผู้เชี่ยวชาญจาก อย. ประเมินคุณภาพคำแนะนำจาก generative AI ด้วยคำถามที่พบบ่อย 5 ข้อ (ถามซ้ำ 3 รอบต่อข้อ) พบว่า คุณภาพโดยรวมอยู่ในระดับปานกลาง (3.20 จาก 5 คะแนนเต็ม) ความพึงพอใจของผู้ใช้งานเว็บแอปพลิเคชันอยู่ในระดับมากที่สุด (ค่าเฉลี่ย 4.38–4.47 จากคะแนนเต็ม 5) สรุป: เว็บแอปพลิเคชันที่พัฒนาขึ้นมีประสิทธิภาพในการเป็นเครื่องมือสนับสนุนการตัดสินใจเพื่อการจัดประเภทผลิตภัณฑ์ โดยสามารถช่วยเตรียมความพร้อมและเป็นแหล่งเรียนรู้เบื้องต้นสำหรับผู้ประกอบการหรือนักวิจัยในการเตรียมการขึ้นทะเบียนผลิตภัณฑ์สุขภาพได้ อย่างไรก็ตามควรใช้เว็บแอปพลิเคชันที่พัฒนาขึ้นร่วมกับข้อแนะนำจากผู้เชี่ยวชาญ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ผลการวิจัยและความคิดเห็นที่ปรากฏในบทความถือเป็นความคิดเห็นและอยู่ในความรับผิดชอบของผู้นิพนธ์ มิใช่ความเห็นหรือความรับผิดชอบของกองบรรณาธิการ หรือคณะเภสัชศาสตร์ มหาวิทยาลัยสงขลานครินทร์ ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากการพิมพ์ บทความที่ได้รับการเผยแพร่โดยวารสารเภสัชกรรมไทยถือเป็นสิทธิ์ของวารสารฯ
เอกสารอ้างอิง
Public Health Ministerial Declaration in 2020 on the organization of the office of the Thai Food and Drug Administration. Royal Gazette. No. 137 (Part 8A) (Jan 29, 2020).
Food Act B.E. 2522. Royal Gazette. No. 79 (May 8, 1979).
Narcotics Code. Royal Gazette. No. 138, Part 73A (Nov 8, 2021).
Hazardous Substance Act B.E. 2535. Royal Gazette. No. 57A (Mar 29, 1992).
Drug Act B.E. 2510. Royal Gazette. No. 101 (Oct 20, 1967).
Herbal Product Act B.E. 2562. Royal Gazette. No. 56A (Apr 30, 2019).
Cosmetic Act B.E. 2558. Royal Gazette. No. 132, Part 86A (Sep 8, 2015).
Medical Device Act B.E. 2562. Royal Gazette. No. 2, Part 56A (Apr 30, 2019).
Kasikornbank. The growth of the health business as a new income opportunity in the COVID-19 era [online]. 2021 [cited Apr 4, 2024]. Available from: www.kasikornbank.com/th/personal/the-wisdom/articl es/Pages/BIZ-Empowerment_Onward57_2021.aspx.
Notification of the National Herbal Policy Committee on measures to promote herbal production for use as raw materials in herbal product manufacturing under safe agriculture guidelines. Royal Gazette. No.139, Part 287D special 9Dec 8, 2022).
Department of Thai Traditional and Alternative Medicine. National herbal development action plan, phase 2 (2023–2027). Nonthaburi: Ministry of Public Health; 2023.
Division of Innovative Health Products and Services. Infographic: Guidelines for selecting the appropriate application in the e-consult system [online]. 2023 [cited Apr 20, 2024]. Available from: innovative.fda .moph.go.th/online-consultation/infographic-02.
Moore J, Clark A, McKinley P. Evolutionary robotics on the web with WebGL and Javascript [online]. 2014 [cited Apr 20, 2024]. Available from: doi.org/10.48550 /arXiv.1406.3337
Ginige A, Murugesan S. Web engineering: An introduction. IEEE Multimedia. 2001; 8: 14–8.
Kovari A. AI for decision support: balancing accuracy, transparency, and trust across sectors. Information. 2024; 15: 725.
Ahmed N, Saha AK, Al Noman MA, Jim JR, Mridha MF, Kabir MA. Deep learning-based natural language processing in human–agent interaction: Applications, advancements and challenges. Nat Lang Proc J 2024; 9: 100112.
Cordeschi R. AI turns fifty: revisiting its origins. J Exp Theor Artif Intell 2007; 19: 257-65.
Levin C, Zaboli A, Turcato G, Saban M. Nursing judgment in the age of generative artificial intelligence: A cross-national study on clinical decision-making performance among emergency nurses. Int J Nurs Stud 2025; 172: 105216.
U.S. Food and Drug Administration. Considerations for the use of artificial intelligence to support regulatory decision-making for drug and biological products draft guidance for industry and other interested parties. U.S. Food and Drug Administration; 2025. Report No.: FDA-2024-D-4689.
European Medicines Agency. Reflection paper on the use of Artificial Intelligence (AI) in the medicinal product lifecycle. Amsterdam, The Netherlands: European Medicines Agency; 2024 Sep 9. Report No.: EMA/CHMP/CVMP/83833/2023.
World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva, Switzerland: World Health Organization; 2021.
Gurung G, Shah R, Jaiswal DP. Software develop- ment life cycle models–A comparative study. Int J Sci Res Comput Sci Eng Inf Technol 2020; 6: 30–7.
Google LLC. Apps Script [online]. 2024 [cited Jan 22, 2024]. Available from:developers.google.com/ apps-script?hl=th.
Yang L. Responsive website design and development based on Bootstrap -- taking digital media technology professional learning resource website as an example. In: Proceedings of the 2024 International Conference on Computer and Multimedia Technology (ICCMT '24). New York: Association for Computing Machinery; 2024. p. 190-194. Available from: doi.org/10.1145/3675249.36752 84
Boonrit N, Hopkins AM, Ruanglertboon W. Assess- ment of the appropriateness of responses in Thai from ChatGPT on the questions for recommendations of drug uses in common illnesses. Thai Journal of Pharmacy Practice. 2023; 15: 1134–48.
Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics. 1977; 33: 159–74.
Likert R. A technique for the measurement of attitudes. New York: Columbia University Press; 1932.
Nunnally JC, Bernstein IH. Psychometric theory. New York: McGraw-Hill; 1994.
Halvoník D, Kapusta J. Large language models and rule-based approaches in domain-specific communi- cation. IEEE Access. 2024;12:107046-58
Rashid MRA, Rizzo G, Torchiano M, Mihindukula- sooriya N, Corcho O, García-Castro R. Completeness and consistency analysis for evolving knowledge bases. Web Semant 2019; 54: 48-71.
White J, Fu Q, Hays S, Sandborn M, Olea C, Gilbert H, et al. A prompt pattern catalog to enhance prompt engineering with ChatGPT. arXiv 2023: 2302.11382. doi.org/10.48550/arXiv.2302.11382
Huang JY, Choshen L, Astudillo R, Broderick T, Andreas J. Do LLMs benefit from their own words? arXiv[Preprint]. 2026: 2602.24287.
Anam RK. Prompt engineering and the effectiveness of large language models in enhancing human productivity. arXiv [Preprint]. 2025: 2507.18638.
Büker M, Mercan G. Readability, accuracy and appropriateness and quality of AI chatbot responses as a patient information source on root canal retreatment: A comparative assessment. Int J Med Inform 2025; 201: 105948.
