Difference between revisions of "Código encriptado: Transmisión efáptica"

Código encriptado: Transmisión efáptica (view source)

Revision as of 13:36, 11 May 2023

1,209 bytes added , 1 year ago

no edit summary

Luca

Editor, Editors, USER, editor, translator

5,845

edits

@@ Line 25: / Line 25: @@
 {{Bookind2}}
-== Introduction ==
+== Introducción ==
-In the chapter '[[1° Clinical case: Hemimasticatory spasm - en|1st Clinical case: Hemimasticatory spasm]]' we immediately reached a conclusion bypassing all the cognitive, clinical and scientific process which underlies the diagnostic definition but it is not that simple otherwise our poor patient Mary Poppins would not have had to wait 10 years for the correct diagnosis.<blockquote>It should be emphasized that it is not a question of negligence on the part of clinicians rather of the complexity of 'biological complex systems' and above all of a mindset still anchored to a 'classical probability' which categorizes healthy and diseased phenotypes according to symptoms and signs sampled clinicians instead of probing the 'State' of the system in the temporal evolution. This concept, anticipated in the chapter '[[Logic of medical language: Introduction to quantum-like probability in the masticatory system]]' and in '[[Conclusions on the status quo in the logic of medical language regarding the masticatory system]]' has laid the foundations for a medical language more articulated and less deterministic, mainly focused on the 'State' of the 'Mesoscopic System' whose purpose is, essentially, to decrypt the message in machine language generated by the Central Nervous System as we will assist in the description of other clinical cases that will be reported in the next Masticationpedia chapters. </blockquote>This model, which we propose with the term 'Cognitive Neural Network' abbreviated as 'RNC' is a dynamic cognitive intellectual process of the clinician who interrogates the network for self-training. The 'RNC' is not a 'Machine Learning' because while the latter must be trained by the clinician, with statistical and prediction adjustments, the 'RNC' trains the clinician or rather directs the clinician to the diagnosis while always being questioned following a logical human, hence the term 'cognitive'.
+en el capitulo '[[1° Clinical case: Hemimasticatory spasm - en|1er Caso Clínico: Espasmo hemimasticatorio]]' Inmediatamente llegamos a una conclusión pasando por alto todo el proceso cognitivo, clínico y científico que subyace en la definición del diagnóstico, pero no es tan simple, de lo contrario, nuestra pobre paciente Mary Poppins no habría tenido que esperar 10 años para obtener el diagnóstico correcto.<blockquote>Cabe destacar que no se trata de negligencia por parte de los clínicos sino de la complejidad de los 'sistemas biológicos complejos' y sobre todo de una mentalidad aún anclada en una 'probabilidad clásica' que categoriza fenotipos sanos y enfermos según los síntomas. y signos muestreados clínicos en lugar de sondear el 'Estado' del sistema en la evolución temporal. Este concepto, anticipado en el capítulo '[[Logic of medical language: Introduction to quantum-like probability in the masticatory system|Lógica del lenguaje médico: Introducción a la probabilidad cuántica en el sistema masticatorio]]' y en '[[Conclusions on the status quo in the logic of medical language regarding the masticatory system|Conclusiones sobre el status quo en la lógica del lenguaje médico respecto al sistema masticatorio]]' ha sentado las bases de un lenguaje médico más articulado y menos determinista, centrado principalmente en el 'Estado' del 'Sistema Mesoscópico' cuya finalidad es, esencialmente, descifrar el mensaje en lenguaje máquina generado por el Sistema Nervioso Central como asistiremos en la descripción de otros casos clínicos que serán reportados en los próximos capítulos de Masticationpedia. </blockquote>Este modelo, que proponemos con el término 'Red Neural Cognitiva' abreviado como 'RNC' es un proceso intelectual cognitivo dinámico del clínico que interroga a la red para su autoformación. El 'RNC' no es un 'Machine Learning' porque mientras este último debe ser entrenado por el clínico, con ajustes estadísticos y de predicción, el 'RNC' entrena al clínico o más bien dirige al clínico al diagnóstico siendo siempre cuestionado siguiendo una lógica. humano, de ahí el término 'cognitivo'.
-In fact, some classic machine learning models, whose training in the laboratory gives positive results, fail when applied to the real context. This is typically attributed to a mismatch between the datasets the machine was trained with and the data it encounters in the real world. A practical example of this can be represented by the conflict of assertions encountered in the diagnostic process of our patient Mary Poppins between the dental and neurological context which only the support of the coherence demarcator <math>\tau</math>(cognitive process) managed to solve.
+De hecho, algunos modelos clásicos de aprendizaje automático, cuyo entrenamiento en el laboratorio da resultados positivos, fallan cuando se aplican al contexto real. Esto generalmente se atribuye a una falta de coincidencia entre los conjuntos de datos con los que se entrenó la máquina y los datos que encuentra en el mundo real. Un ejemplo práctico de esto puede ser representado por el conflicto de afirmaciones encontradas en el proceso diagnóstico de nuestra paciente Mary Poppins entre el contexto odontológico y el neurológico que sólo se sustentan en el demarcador de coherencia. <math>\tau</math>(proceso cognitivo) logró resolver.
-One of the limits of machine learning, therefore, is known as "data shift",<ref>Jérôme Dockès, Gaël Varoquaux, Jean-Baptiste Poline. Preventing dataset shift from breaking machine-learning biomarkers.GigaScience, Volume 10, Issue 9, September 2021, giab055,</ref> or "data movement" and another underlying cause of the failure of some models outside the laboratory, is the "subspecification"<ref>Alexander D’Amour et al. Underspecification Presents Challenges for Credibility in Modern Machine Learning. Journal of Machine Learning Research 23 (2022) 1-61,Submitted 11/20; Revised 12/21; Published 08/22</ref><ref>Damien Teney, Maxime Peyrard, Ehsan Abbasnejad. Predicting Is Not Understanding: Recognizing and Addressing Underspecification in Machine Learning.ECCV 2022: Computer Vision – ECCV 2022 pp 458–476Cite as</ref> so much so that the attempt to build an algorithm-enhanced electronic medical record (EMR) system designed specifically for use in a cancer center, was a notable failure at an estimated cost of $39,000,000 USD. This effort was a 2012 partnership between M.D. Anderson Partners and IBM Watson in Houston, Texas.<ref>Herper M. MD Anderson benches IBM Watson in setback for artificial intelligence in medicine. Forbes. 2017 February 19. [Ref list]</ref> Early promotional news describing the project stated that the plan was to combine genetic data, pathology reports with doctors' notes and relevant journal articles to help doctors come up with diagnoses and treatments. However, five years later, in February 2017, M.D. Anderson announced that he had closed the project because, after several years of trying, he hadn't produced a tool for use with patients that was ready to move beyond pilot testing.{{q2|Fascinating and provocative, explain to me in detail|... the model is essentially simple in its cognitive complexity}}
+Uno de los límites del aprendizaje automático, por lo tanto, se conoce como "desplazamiento de datos".,<ref>Jérôme Dockès, Gaël Varoquaux, Jean-Baptiste Poline. Preventing dataset shift from breaking machine-learning biomarkers.GigaScience, Volume 10, Issue 9, September 2021, giab055,</ref> o "movimiento de datos" y otra causa subyacente de la falla de algunos modelos fuera del laboratorio, es la "subespecificación"<ref>Alexander D’Amour et al. Underspecification Presents Challenges for Credibility in Modern Machine Learning. Journal of Machine Learning Research 23 (2022) 1-61,Submitted 11/20; Revised 12/21; Published 08/22</ref><ref>Damien Teney, Maxime Peyrard, Ehsan Abbasnejad. Predicting Is Not Understanding: Recognizing and Addressing Underspecification in Machine Learning.ECCV 2022: Computer Vision – ECCV 2022 pp 458–476Cite as</ref>tanto es así que el intento de construir un sistema de registro médico electrónico (EMR) mejorado con algoritmo diseñado específicamente para su uso en un centro oncológico fue un fracaso notable con un costo estimado de $ 39,000,000 USD. Este esfuerzo fue una asociación de 2012 entre M.D. Anderson Partners e IBM Watson en Houston, Texas.<ref>Herper M. MD Anderson benches IBM Watson in setback for artificial intelligence in medicine. Forbes. 2017 February 19. [Ref list]</ref>Las primeras noticias promocionales que describían el proyecto indicaban que el plan era combinar datos genéticos, informes patológicos con notas de médicos y artículos de revistas relevantes para ayudar a los médicos a elaborar diagnósticos y tratamientos. Sin embargo, cinco años después, en febrero de 2017, M.D. Anderson anunció que había cerrado el proyecto porque, después de varios años de intentarlo, no había producido una herramienta para usar con pacientes que estuviera lista para ir más allá de la prueba piloto.{{q2|Fascinante y provocativo, explícame en detalle.|... el modelo es esencialmente simple en su complejidad cognitiva}}
-In essence, the encrypted machine language message sent out by the Central Nervous System in the 10 years of illness of our patient Mary Poppins was interpreted through verbal language as Orofacial Pain from Temporomandibular Disorders'. We have remarked several times, however, that human verbal language is distorted by vagueness and ambiguity therefore, not being a formal language, such as mathematical language, it can generate diagnostic errors. The message in machine language sent out by the Central Nervous System to be searched for is not pain (pain is a verbal language) but the anomaly of 'System State' in which the organism was in that time period. Hence the shift from the semiotics of the symptom and the clinical sign to the '[[System logic|System Logic]]' which, through 'Systems Theory' models, quantify the system's responses to incoming stimuli, even in healthy subjects.
+En esencia, el mensaje en lenguaje máquina encriptado enviado por el Sistema Nervioso Central en los 10 años de enfermedad de nuestra paciente Mary Poppins fue interpretado a través del lenguaje verbal como Dolor Orofacial por Trastornos Temporomandibulares. Sin embargo, hemos señalado varias veces que el lenguaje verbal humano está distorsionado por la vaguedad y la ambigüedad, por lo que, al no ser un lenguaje formal, como el lenguaje matemático, puede generar errores de diagnóstico. El mensaje en lenguaje máquina que envía el Sistema Nervioso Central para ser buscado no es el dolor (el dolor es un lenguaje verbal) sino la anomalía de 'Estado del Sistema' en que se encontraba el organismo en ese lapso de tiempo. De ahí el paso de la semiótica del síntoma y del signo clínico a la'[[System logic|Lógica del sistema]]' que, a través de modelos de 'Teoría de Sistemas', cuantifican las respuestas del sistema a los estímulos entrantes, incluso en sujetos sanos.
-All this is replicated in the proposed 'RNC' model by dividing the process into incoming triggers (Input) and outgoing data (Output) to then be reiterated in a loop managed cognitively by the clinician up to the generation of a single node useful for the definitive diagnosis. The model basically breaks down as follows:
+Todo esto se replica en el modelo 'RNC' propuesto al dividir el proceso en disparadores entrantes (Input) y datos salientes (Output) para luego ser reiterados en un bucle manejado cognitivamente por el clínico hasta la generación de un solo nodo útil para el diagnóstico definitivo. El modelo básicamente se desglosa de la siguiente manera:
-* '''Input:''' By incoming trigger we mean the cognitive process that the clinician implements as a function of the considerations received from previous statements, as has been pointed out in the chapters concerning the 'Medical language logic'. In our case, through the 'Consistency Demarcator <math>\tau</math>, the neurological context was defined as suitable instead of the dental one pursuing a clinical diagnostic explanation of TMDs. This trigger is of essential importance because it allows the clinician to center the network analysis initiation command which will connect a large sample of data corresponding to the set trigger. To this essential initial command, as an algorithmic decryption key, is added the last closing command which is equally important as it depends on the intuition of the clinician who will consider the decryption process finished. In Figure 1, the structure of the 'RNC' is represented in which the difference between the more common neural network structures in which the first stage is structured with a high number of input variables can be noted. In our 'RNC' the first stage corresponds only to a node and precisely to the network analysis initialization command called 'Consistency Demarcator <math>\tau</math>', the subsequent loops of the network, which allow the clinician to terminate or to reiterate the network, (1st loop open, 2st loop open,...... nst loop open) are decisive for concluding the decryption process ( Decrypted Code ). This step will be explained in more detail later in the chapter.
+* '''Entrada''': Por disparador entrante entendemos el proceso cognitivo que el clínico implementa en función de las consideraciones recibidas de declaraciones previas, como se ha señalado en los capítulos referentes a la 'Lógica del lenguaje médico'. En nuestro caso, a través del 'Demarcador de Consistencia <math>\tau</math>, se definió como adecuado el contexto neurológico en lugar del dental persiguiendo una explicación clínica diagnóstica de los TTM. Este disparador es de vital importancia porque permite al clínico centrar el comando de inicio del análisis de red que conectará una gran muestra de datos correspondientes al disparador establecido. A este imprescindible comando inicial, como clave algorítmica de descifrado, se le suma el último comando de cierre, igualmente importante ya que depende de la intuición del clínico que dará por terminado el proceso de descifrado. En la Figura 1 se representa la estructura del 'RNC' en la que se puede notar la diferencia entre las estructuras de redes neuronales más comunes en las que la primera etapa se estructura con un elevado número de variables de entrada. En nuestro 'RNC' la primera etapa corresponde únicamente a un nodo y precisamente al comando de inicialización del análisis de red llamado 'Demarcador de Consistencia <math>\tau</math>', los bucles posteriores de la red, que permiten al clínico terminar o reiterar la red, (1er bucle abierto, 2º bucle abierto,...... nst bucle abierto) son decisivos para concluir el proceso de descifrado (Código Descifrado). Este paso se explicará con más detalle más adelante en el capítulo.
-[[File:Immagine 17-12-22 alle 11.34.jpeg|center|500x500px|'''Figure 1:'''Graphical representation of the 'RNC' proposed by Masticationpedia|thumb]]
+[[File:Immagine 17-12-22 alle 11.34.jpeg|center|500x500px|Figura 1: Representación gráfica del 'RNC' propuesto por Masticationpedia|thumb]]
 <center></center>
-* '''Output:''' The outgoing data from the network, which substantially correspond to a precise cognitive trigger request, returns a large number of data classified and correlated to the requested keyword. The clinician will have to devote time and concentration to continue decrypting the machine code. In fact, we have witnessed how, following the indications dictated by research criteria such as the 'Research Diagnostic Criteria' (RDC), our patient Mary Poppins was immediately categorized as 'TMDs' and we have also suggested a way to expand diagnostic capabilities in dentistry through a 'fuzzy' model that would allow to range in contexts other than one's own. This shows the complexity in making differential diagnoses and the difficulties in following a classical semiotic roadmap because we are anchored too much to verbal language and too little to a quantum culture of biological systems. This borders on the concept of machine language and initial decryption command that we will briefly explain in the next paragraph.
+* '''Salida''': los datos salientes de la red, que corresponden sustancialmente a una solicitud de activación cognitiva precisa, devuelven una gran cantidad de datos clasificados y correlacionados con la palabra clave solicitada. El clínico tendrá que dedicar tiempo y concentración para seguir descifrando el código de la máquina. De hecho, hemos sido testigos de cómo, siguiendo las indicaciones dictadas por criterios de investigación como los 'Research Diagnostic Criteria' (RDC), nuestra paciente Mary Poppins fue categorizada inmediatamente como 'TMD' y también hemos sugerido una forma de ampliar las capacidades diagnósticas en odontología a través de un modelo 'borroso' que permitiría oscilar en contextos distintos al propio. Esto muestra la complejidad de hacer diagnósticos diferenciales y las dificultades de seguir una hoja de ruta semiótica clásica porque estamos demasiado anclados al lenguaje verbal y demasiado poco a una cultura cuántica de sistemas biológicos. Esto limita con el concepto de lenguaje de máquina y comando de descifrado inicial que explicaremos brevemente en el siguiente párrafo.
-=== Initiation command ===
+=== Comando de iniciación ===
-For a moment let's imagine that the brain speaks the language of a computer and not vice versa as happens in engineering, to distinguish the aforementioned difference between machine language and human verbal language. To write a sentence, a word or a formula, the computer does not use the classic verbal mode (alphabet) or the decimal mode (numbers) with which we write mathematical formulas but its own 'writing' language code called html code for the web . Let's take as an example the writing of a fairly complex formula, it is presented to our brain in the verbal language with which we have learned to read a mathematical equation, in the following form:
+Por un momento imaginemos que el cerebro habla el lenguaje de una computadora y no al revés como sucede en la ingeniería, para distinguir la diferencia antes mencionada entre el lenguaje de máquina y el lenguaje verbal humano. Para escribir una oración, una palabra o una fórmula, la computadora no usa el modo verbal clásico (alfabeto) o el modo decimal (números) con los que escribimos fórmulas matemáticas sino su propio código de lenguaje de 'escritura' llamado código html para la web. . Tomemos como ejemplo la escritura de una fórmula bastante compleja, se le presenta a nuestro cerebro en el lenguaje verbal con el que hemos aprendido a leer una ecuación matemática, de la siguiente forma:
 <blockquote><math>+2\sum_{\alpha_1<\alpha_2}\cos\theta_{\alpha_1\alpha_2}\sqrt{P(A=\alpha_1)P(B=\beta|A=\alpha_1)} P(A=\alpha_2)
-P(B=\beta|a=\alpha_2)</math> and let us imagine, letting our minds wander, that this formula corresponds to the message of the Central Nervous System, as we have anticipated, and in particular in the 'Ephaptic Transmission' still to be decrypted</blockquote>The computer and therefore the brain, for our metaphorical example, does not know verbal language or rather it is only a convention generated to simplify natural communication, rather it has its own one with which to write the formula mentioned and in the wiki text language (with extension .php) looks like this, represented in figure 2:                <blockquote>[[File:Codice mod.png|alt=|center|frame|'''Figura 2:''' Wiki text of a mathematical formula. Note the initialization <nowiki><math> command and the script exit </math></nowiki> command]]
+P(B=\beta|a=\alpha_2)</math>e imaginemos, dejando vagar la mente, que esta fórmula corresponde al mensaje del Sistema Nervioso Central, como hemos anticipado, y en particular en la 'Transmisión Efáptica' aún por descifrar</blockquote>La computadora y por ende el cerebro, para nuestro ejemplo metafórico, no conoce el lenguaje verbal o más bien es solo una convención generada para simplificar la comunicación natural, sino que tiene uno propio con el que escribir la fórmula mencionada y en el lenguaje del texto wiki ( con extensión .php) se ve así, representado en la figura 2:                <blockquote>[[File:Codice mod.png|alt=|center|frame|Figura 2: Texto Wiki de una fórmula matemática. Tenga en cuenta el comando de inicialización <nowiki><math> y el comando de salida del script </math></nowiki>]]
-as you can see it has nothing to do with verbal language and in fact, the brain has its own machine language made up not of vowels, consonants and numbers but of action potentials, wave packets, frequencies and amplitudes, electric populations , etc. what we simply observe in an electroencephalographic tracing (EEG) and which represents, precisely, the electromagnetic fields on the scalp of the activity of the dipoles and the cerebral ionic currents that propagate in the encephalic volume. </blockquote>
+como podéis ver no tiene nada que ver con el lenguaje verbal y de hecho el cerebro tiene su propio lenguaje máquina compuesto no de vocales, consonantes y números sino de potenciales de acción, paquetes de ondas, frecuencias y amplitudes, poblaciones eléctricas, etc. simplemente observamos en un trazado electroencefalográfico (EEG) y que representa, precisamente, los campos electromagnéticos sobre el cuero cabelludo de la actividad de los dipolos y las corrientes iónicas cerebrales que se propagan en el volumen encefálico. </blockquote>
-The story, however, does not end here because this is a writing language that has nothing to do with the interpreter of computer hardware and therefore with the organic structure of the brain made up of Centers with specialized functions, synaptic, polysynaptic circuitry and other other. This writing language, therefore, derives from a machine language that is not modeled in the command '<nowiki><math>' rather than '+2\sum_{\alpha_1'} but derives from a binary language subsequently converted into html writing code. This is referred to as 'machine language' for both the computer and the brain and can be simulated as follows</nowiki>
+La historia, sin embargo, no acaba aquí porque se trata de un lenguaje de escritura que no tiene nada que ver con el intérprete del hardware informático y por tanto con la estructura orgánica del cerebro formada por Centros con funciones especializadas, circuitos sinápticos, polisinápticos y otros. . Este lenguaje de escritura, por lo tanto, deriva de un lenguaje de máquina que no está modelado en el comando '<matemáticas>' en lugar de '+2\sum_{\alpha_1'} sino que deriva de un lenguaje binario convertido posteriormente en código de escritura html. Esto se conoce como 'lenguaje de máquina' tanto para la computadora como para el cerebro y se puede simular de la siguiente manera
-<blockquote>'''00101011 00110010 01011100 01110011 01110101 01101101''' 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00111100 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01100011 01101111 01110011 01011100 01110100 01101000 01100101 01110100 01100001 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01110011 01110001 01110010 01110100 01111011 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01111101 00100000 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 00101001 00001010 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01100001 00111101 01011100 01100001 '''01101100 01110000 01101000 01100001 01011111 00110010 00101001'''</blockquote><blockquote>But what if the following string 00101011 00110010 01011100 01110011 01110101 01101101 which corresponds to the <nowiki><math> command is not present in this code?  </nowiki></blockquote>The message would be corrupted and the formula would not be generated due to lack of the most important step that of 'Initialization of the command code', as well as if we eliminated the last part of the code 01101100 01110000 01101000 01100001 01011111 00110010 00101001, corresponding to the closure of the script < /math> the formula would remain corrupted and indeterminate.
+<blockquote>'''00101011 00110010 01011100 01110011 01110101 01101101''' 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00111100 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01100011 01101111 01110011 01011100 01110100 01101000 01100101 01110100 01100001 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01110011 01110001 01110010 01110100 01111011 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01111101 00100000 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 00101001 00001010 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01100001 00111101 01011100 01100001 '''01101100 01110000 01101000 01100001 01011111 00110010 00101001'''</blockquote><blockquote>Pero, ¿qué pasa si la siguiente cadena 00101011 00110010 01011100 01110011 01110101 01101101 que corresponde al comando <nowiki><math> no está presente en este código?</nowiki></blockquote>El mensaje se corrompería y no se generaría la fórmula por falta del paso más importante que es 'Inicialización del código de comando', así como si elimináramos la última parte del código 01101100 01110000 01101000 01100001 01011111 00110010 00101001, correspondiente al cierre del script < /math> la fórmula quedaría corrupta e indeterminada.
-In practice, without the initial and final command, the formula is well described in the following form that is understandable to us:
+En la práctica, sin el comando inicial y final, la fórmula está bien descrita en la siguiente forma que nos resulta comprensible:
 <math>+2\sum_{\alpha_1<\alpha_2}\cos\theta_{\alpha_1\alpha_2}\sqrt{P(A=\alpha_1)P(B=\beta|A=\alpha_1)} P(A=\alpha_2)
 P(B=\beta|a=\alpha_2)</math>
-it would present itself in a way incomprehensible to most people.
+se presentaría de una manera incomprensible para la mayoría de la gente.
 +2\sum_{\alpha_1<\alpha_2}\cos\theta_{\alpha_1\alpha_2}\sqrt{P(A=\alpha_1)P(B=\beta|A=\alpha_1)} P(A=\alpha_2) P(B=\beta|a=\alpha_2)
-Just as the lack of part of the binary code corrupts the representation of the formula, similarly the decryption of the machine language of the CNS is a source of vagueness and ambiguity of the verbal language and contextually of diagnostic error.
+Así como la falta de una parte del código binario corrompe la representación de la fórmula, igualmente el descifrado del lenguaje máquina del SNC es fuente de vaguedad y ambigüedad del lenguaje verbal y contextualmente de error diagnóstico.
-=== Cognitive process ===
+=== Proceso cognitivo ===
-----The heart of the 'RNC' model lies in the cognitive process referred exclusively to the clinician who is at the helm while the network essentially remains the compass that warns of off course and/or suggests other alternative routes but the decision-making responsibility always refers to the clinician ( human mind). In this simple definition, we will perceive it better at the end of the chapter, the synergism 'Neural network' and 'Human cognitive process' of the clinician will be self-implementing because on the one hand the clinician is trained or better guided by the neural network (database) and this The last one will be trained on the latest updated scientific-clinical event. Basically, the definitive diagnosis will add an additional piece of information to the temporal base knowledge <math>Kb_t</math>. This model differs substantially from 'machine learning' just by observing the two models in their structural configuration (Figures 1 and 3).
+----El corazón del modelo 'RNC' radica en el proceso cognitivo referido exclusivamente al clínico que está al timón mientras que la red sigue siendo esencialmente la brújula que advierte de desvíos y/o sugiere otras rutas alternativas pero la responsabilidad de la toma de decisiones siempre se refiere al clínico (mente humana). En esta simple definición, lo percibiremos mejor al final del capítulo, el sinergismo 'Red neuronal' y 'Proceso cognitivo humano' del clínico se auto-implementará porque por un lado el clínico está entrenado o mejor guiado por la red neuronal (base de datos) y esta última será entrenada sobre el último evento científico-clínico actualizado. Básicamente, el diagnóstico definitivo añadirá un dato adicional al conocimiento base temporal <math>Kb_t</math>.Este modelo difiere sustancialmente del 'aprendizaje automático' con solo observar los dos modelos en su configuración estructural (Figuras 1 y 3).
-[[File:Joim12822-fig-0004-m.jpeg|alt=|left|thumb|200x200px|'''Figure 3:''' Graphic representation of an archetypal ANN in which it can be seen in the first stage of initialization where there are five input nodes<ref name=":1">G S Handelman, H K Kok, R V Chandra, A H Razavi, M J Lee, H Asadi. eDoctor: machine learning and the future of medicine.J Intern Med.2018 Dec;284(6):603-619.doi: 10.1111/joim.12822. Epub 2018 Sep 3.</ref> while in the 'RNC' model the first stage is composed of only one node. Follow text. ]]Figure 3 shows a typical neural network, also known as artificial NNs. These artificial NNs attempt to use multiple layers of calculations to mimic the concept of how the human brain interprets and draws conclusions from information.<ref name=":1" /> NNs are essentially mathematical models designed to handle complex and disparate information, and this algorithm's nomenclature comes from its use of synapse-like "nodes" in the brain.<ref>Schwarzer G, Vach W, Schumacher M. On the misuses of artificial neural networks for prognostic and diagnostic classification in oncology. Stat Med 2000; 19: 541–61.</ref> The learning process of a NN can be supervised or unsupervised. A neural network is said to learn in a supervised manner if the desired output is already targeted and introduced into the network by data training while unsupervised NN has no such pre-identified target outputs and the goal is to group similar units close together in certain areas of the range of values. The supervised module takes data (e.g., symptoms, risk factors, imaging and laboratory findings) for training on known outcomes and searches for different combinations to find the most predictive combination of variables. NN assigns more or less weight to certain combinations of nodes to optimize the predictive performance of the trained model.<ref>Abdi H. A neural network primer. J Biol Syst 1994; 02: 247–81.</ref>
+[[File:Joim12822-fig-0004-m.jpeg|alt=|left|thumb|200x200px|Figura 3: Representación gráfica de una RNA arquetípica en la que se puede ver en la primera etapa de inicialización donde hay cinco nodos de entrada<ref name=":1">G S Handelman, H K Kok, R V Chandra, A H Razavi, M J Lee, H Asadi. eDoctor: machine learning and the future of medicine.J Intern Med.2018 Dec;284(6):603-619.doi: 10.1111/joim.12822. Epub 2018 Sep 3.</ref>mientras que en el modelo 'RNC' la primera etapa está compuesta por un solo nodo. Seguir texto. ]]La Figura 3 muestra una red neuronal típica, también conocida como NN artificial. Estos NN artificiales intentan usar múltiples capas de cálculos para imitar el concepto de cómo el cerebro humano interpreta y saca conclusiones de la información..<ref name=":1" />Los NN son esencialmente modelos matemáticos diseñados para manejar información compleja y dispar, y la nomenclatura de este algoritmo proviene de su uso de "nodos" similares a sinapsis en el cerebro..<ref>Schwarzer G, Vach W, Schumacher M. On the misuses of artificial neural networks for prognostic and diagnostic classification in oncology. Stat Med 2000; 19: 541–61.</ref>El proceso de aprendizaje de una NN puede ser supervisado o no supervisado. Se dice que una red neuronal aprende de manera supervisada si la salida deseada ya está dirigida e introducida en la red mediante el entrenamiento de datos, mientras que NN no supervisada no tiene tales salidas objetivo preidentificadas y el objetivo es agrupar unidades similares juntas en ciertas áreas. del rango de valores. El módulo supervisado toma datos (p. ej., síntomas, factores de riesgo, imágenes y resultados de laboratorio) para la capacitación sobre resultados conocidos y busca diferentes combinaciones para encontrar la combinación de variables más predictiva. NN asigna más o menos peso a ciertas combinaciones de nodos para optimizar el rendimiento predictivo del modelo entrenado.<ref>Abdi H. A neural network primer. J Biol Syst 1994; 02: 247–81.</ref>
-Figure 1, on the other hand, corresponds to the 'RNC' model proposed and it can be seen how the first stage of acquisition is composed of a single node while the 'Machine learning' at the first node, the more incoming variables have the greater the 'Prediction' in exit. As mentioned, it should be taken into account that the first node is of fundamental importance because it already derives from a clinical cognitive process that led the ' <math>\tau</math> Coherence Demarcator' to determine a first-ever choice of field. From the initialization command, therefore, the neural network evolves in a series of states composed of a large number of nodes and then terminates at a first step of one or two nodes and then reiterates in a subsequent loop of several nodes until ending in the 'last conclusive node (decryption of the code). The initialization process of the first node, the last and the reiteration of the loop is exclusive to the human cognitive process of the clinician and not to a statistical automatism of machine learning, much less 'Hidden' stages. All open and closed loops must be known to the clinician.
-For further information on the subject, it is available on Masticationpedia in the chapter '[[An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain]]'
+La Figura 1, por su parte, corresponde al modelo 'RNC' propuesto y se puede observar como la primera etapa de adquisición está compuesta por un solo nodo mientras que el 'Machine learning' en el primer nodo, cuantas más variables entrantes tienen el mayor la 'Predicción' en salida. Como se mencionó, se debe tener en cuenta que el primer nodo es de fundamental importancia porque ya deriva de un proceso cognitivo clínico que condujo a la ' <math>\tau</math> Coherence Demarcator' para determinar una primera elección de campo. Desde el comando de inicialización, por lo tanto, la red neuronal evoluciona en una serie de estados compuestos por una gran cantidad de nodos y luego termina en un primer paso de uno o dos nodos y luego se reitera en un bucle posterior de varios nodos hasta terminar en el ' último nodo concluyente (descifrado del código). El proceso de inicialización del primer nodo, el último y la reiteración del bucle es exclusivo del proceso cognitivo humano del clínico y no de un automatismo estadístico de aprendizaje automático y mucho menos de etapas 'Ocultas'. El médico debe conocer todos los bucles abiertos y cerrados.
-But let's see in detail how a 'RNC' is built
+Para más información sobre el tema, está disponible en Mastication Pedia en el capítulor '[[An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain|Una historia clínica electrónica artificialmente inteligente (o mejorada por algoritmos) en el dolor orofacial]]'
+Pero veamos en detalle cómo se construye un 'RNC'
 == Cognitive Neural Network ==