Difference between revisions of "Code crypté : transmission éphaptique"

no edit summary
Tags: Mobile web edit Mobile edit Visual edit
Tags: Mobile web edit Mobile edit Visual edit
Line 26: Line 26:


== Introduction ==
== Introduction ==
Dans le chapitre '1er cas clinique : spasme hémimasticatoire' nous sommes immédiatement arrivés à une conclusion contournant tout le processus cognitif, clinique et scientifique qui sous-tend la définition diagnostique mais ce n'est pas si simple sinon notre pauvre patiente Mary Poppins n'aurait pas dû attendre 10 ans pour le bon diagnostic.<blockquote>Il faut souligner qu'il ne s'agit pas d'une négligence des cliniciens mais plutôt de la complexité des "systèmes biologiques complexes" et surtout d'un état d'esprit encore ancré dans une "probabilité classique" qui catégorise les phénotypes sains et malades en fonction des symptômes et signe des cliniciens échantillonnés au lieu de sonder « l'état » du système dans l'évolution temporelle. Ce concept, anticipé dans le chapitre « Logique du langage médical : introduction à la probabilité de type quantique dans le système masticatoire » et dans « Conclusions sur le statu quo dans la logique du langage médical concernant le système masticatoire », a jeté les bases d'une théorie médicale langage plus articulé et moins déterministe, principalement focalisé sur 'l'Etat' du 'Système Mésoscopique' dont le but est, essentiellement, de décrypter le message en langage machine généré par le Système Nerveux Central comme nous allons aider à la description d'autres cas cliniques qui seront rapportés dans les prochains chapitres de Masticationpedia. </blockquote>Ce modèle, que nous proposons sous le terme 'Cognitive Neural Network' en abrégé 'RNC' est un processus intellectuel cognitif dynamique du clinicien qui interroge le réseau pour l'autoformation. Le 'RNC' n'est pas un 'Machine Learning' car alors que ce dernier doit être formé par le clinicien, avec des ajustements statistiques et prédictifs, le 'RNC' forme le clinicien ou plutôt oriente le clinicien vers le diagnostic tout en étant toujours questionné suivant une logique humain, d'où le terme « cognitif ».
Dans le chapitre '1° Clinical case: Hemimasticatory spasm' nous sommes immédiatement arrivés à une conclusion contournant tout le processus cognitif, clinique et scientifique qui sous-tend la définition diagnostique mais ce n'est pas si simple sinon notre pauvre patiente Mary Poppins n'aurait pas dû attendre 10 ans pour le bon diagnostic.<blockquote>Il faut souligner qu'il ne s'agit pas d'une négligence des cliniciens mais plutôt de la complexité des "systèmes biologiques complexes" et surtout d'un état d'esprit encore ancré dans une "probabilité classique" qui catégorise les phénotypes sains et malades en fonction des symptômes et signe des cliniciens échantillonnés au lieu de sonder « l'état » du système dans l'évolution temporelle. Ce concept, anticipé dans le chapitre « Logique du langage médical : introduction à la probabilité de type quantique dans le système masticatoire » et dans « Conclusions sur le statu quo dans la logique du langage médical concernant le système masticatoire », a jeté les bases d'une théorie médicale langage plus articulé et moins déterministe, principalement focalisé sur 'l'Etat' du 'Système Mésoscopique' dont le but est, essentiellement, de décrypter le message en langage machine généré par le Système Nerveux Central comme nous allons aider à la description d'autres cas cliniques qui seront rapportés dans les prochains chapitres de Masticationpedia. </blockquote>Ce modèle, que nous proposons sous le terme 'Cognitive Neural Network' en abrégé 'RNC' est un processus intellectuel cognitif dynamique du clinicien qui interroge le réseau pour l'autoformation. Le 'RNC' n'est pas un 'Machine Learning' car alors que ce dernier doit être formé par le clinicien, avec des ajustements statistiques et prédictifs, le 'RNC' forme le clinicien ou plutôt oriente le clinicien vers le diagnostic tout en étant toujours questionné suivant une logique humain, d'où le terme « cognitif ».


En effet, certains modèles classiques de machine learning, dont l'apprentissage en laboratoire donne des résultats positifs, échouent lorsqu'ils sont appliqués au contexte réel. Cela est généralement attribué à une inadéquation entre les ensembles de données avec lesquels la machine a été entraînée et les données qu'elle rencontre dans le monde réel. Un exemple pratique de ceci peut être représenté par le conflit d'assertions rencontrées dans le processus diagnostique de notre patiente Mary Poppins entre le contexte dentaire et neurologique qui ne supporte que le démarcateur de cohérence <math>\tau</math>(processus cognitif) réussi à résoudre.
En effet, certains modèles classiques de machine learning, dont l'apprentissage en laboratoire donne des résultats positifs, échouent lorsqu'ils sont appliqués au contexte réel. Cela est généralement attribué à une inadéquation entre les ensembles de données avec lesquels la machine a été entraînée et les données qu'elle rencontre dans le monde réel. Un exemple pratique de ceci peut être représenté par le conflit d'assertions rencontrées dans le processus diagnostique de notre patiente Mary Poppins entre le contexte dentaire et neurologique qui ne supporte que le démarcateur de cohérence <math>\tau</math>(processus cognitif) réussi à résoudre.
Editor, Editors, USER, editor, translator
5,845

edits