Abstract
Perubahan warna sering menjadi salah satu informasi visual pertama yang diamati pada jaringan dan reagent strip. Masalahnya, pengamatan dengan mata manusia dipengaruhi oleh pencahayaan, sudut pandang, persepsi individu, dan kondisi lingkungan. Teknologi CIELAB menyediakan cara untuk mengubah informasi warna menjadi koordinat numerik yang dapat disimpan dan dibandingkan.
Platform ini menggabungkan color calibration, image segmentation, CIELAB transformation, color-difference analysis, dan longitudinal tracking. Pada wound assessment, sistem dapat memetakan perubahan warna dan luas area dari satu waktu ke waktu berikutnya. Pada digital urinalysis, lima belas pad tidak diperlakukan sebagai lima belas pembacaan yang berdiri sendiri, tetapi sebagai satu kumpulan data sehingga hubungan antar-parameter dapat dianalisis.
1. Wound Assessment
Citra luka dapat diproses menjadi region of interest. Dari region tersebut sistem menghitung L*, a*, dan b*. Nilai baseline kemudian disimpan dan dibandingkan dengan pemeriksaan berikutnya.
Perubahan setiap komponen dapat ditulis:
ΔL* = L*₂ − L*₁
Δa* = a*₂ − a*₁
Δb* = b*₂ − b*₁
Untuk pemantauan, data warna dapat digabungkan dengan luas area sehingga perkembangan dilihat sebagai rangkaian waktu, bukan satu foto yang berdiri sendiri.
2. Color Difference
Jarak warna sederhana dalam CIELAB dapat dihitung dengan:
ΔE*ab = √[(ΔL*)² + (Δa*)² + (Δb*)²]
Contoh:
Pengukuran awal:
L* = 62, a* = 18, b* = 14
Pengukuran berikutnya:
L* = 66, a* = 15, b* = 12
Maka:
ΔL* = 4
Δa* = −3
Δb* = −2
ΔE*ab = √(16 + 9 + 4)
ΔE*ab = √29
ΔE*ab ≈ 5,385
Nilai tersebut adalah jarak dua titik warna. Interpretasinya harus mempertimbangkan kondisi pengukuran, noise kamera, pencahayaan, dan validasi.
3. Calibration Card
Smartphone tidak selalu menghasilkan respons warna yang sama. Calibration card dapat ditempatkan dalam frame sebagai referensi.
Alurnya:
Image acquisition → calibration → color correction → ROI detection → RGB/XYZ extraction → CIELAB transformation → feature extraction → analysis.
Parameter perangkat, jarak, pencahayaan, white point, dan kartu referensi sebaiknya dicatat untuk menjaga reproducibility.
4. Optical Inflammation Assessment
Komponen a* dapat digunakan sebagai salah satu fitur untuk memantau perubahan pada arah hijau-merah. Perubahan a* tidak boleh diterjemahkan langsung sebagai diagnosis inflamasi atau infeksi. Nilainya lebih tepat dipakai sebagai bagian dari kumpulan fitur yang dapat memunculkan optical flag untuk pemeriksaan lebih lanjut.
Dengan pengukuran serial, sistem dapat mencari perubahan pola yang kecil dan konsisten.
5. Digital Tissue Classification
Region pada citra dapat diekstraksi berdasarkan karakter warna dan tekstur. Fitur yang dapat digunakan antara lain mean L*, mean a*, mean b*, chroma, hue, standard deviation, dan area.
Data tersebut dapat menjadi masukan untuk segmentation, clustering, statistical classification, atau machine learning yang tervalidasi.
6. Multi-Parameter Urinalysis
Untuk strip dengan 15 pad, data dapat ditulis:
P = [P₁, P₂, P₃, ..., P₁₅]
Setiap pad dapat mempunyai vektor:
Pᵢ = [L*, a*, b*, C*, h]
Jumlah pasangan hubungan unik antar 15 pad adalah:
15 × 14 / 2 = 105 pasangan.
Dengan demikian sistem dapat mengevaluasi hubungan antar-pad sebelum masuk ke model multivariat yang lebih kompleks.
7. Cross-Parameter Algorithm
Perubahan pada P₁, P₄, P₇, P₁₀, dan P₁₃ tidak langsung dianggap sebagai lima kejadian terpisah. Sistem dapat mengevaluasi apakah kombinasi tersebut membentuk pola yang konsisten pada dataset penelitian.
Korelasi Pearson dapat ditulis:
r = Σ[(xᵢ − x̄)(yᵢ − ȳ)] / √[Σ(xᵢ − x̄)² × Σ(yᵢ − ȳ)²]
Korelasi menunjukkan hubungan statistik, bukan hubungan sebab-akibat. Model harus diuji menggunakan dataset yang memadai.
8. Longitudinal Monitoring
Keunggulan sistem digital adalah kemampuan menyimpan baseline dan follow-up.
Hari 1 → baseline
Hari 3 → follow-up
Hari 5 → follow-up
Hari 7 → follow-up
Sistem dapat menghitung perubahan terhadap baseline maupun perubahan antar-pengukuran. Dengan demikian yang dipantau bukan hanya nilai sekarang, tetapi arah perubahan.
9. Scientific Reproducibility
Catatan penting meliputi perangkat, pencahayaan, jarak kamera, calibration card, white point, ROI, algoritma koreksi warna, metode segmentasi, transformasi warna, dan metode statistik.
Conclusion
CIELAB memberikan lapisan kuantitatif untuk mengubah informasi visual menjadi data. Pada wound assessment, pendekatan ini dapat membantu longitudinal color mapping dan digital tissue analysis. Pada urinalysis, pendekatan lintas parameter memungkinkan 15 pad dianalisis sebagai satu sistem data.
Teknologi ini diposisikan sebagai research dan decision-support platform. Hasil optik tidak menggantikan pemeriksaan klinis, diagnosis, atau validasi laboratorium. Nilai utamanya adalah membuat perubahan visual lebih terukur, terdokumentasi, dapat dibandingkan, dan dapat diuji secara ilmiah.