Difference between revisions of "Verschlüsselter Code: Ephaptische Übertragung"

Latest revision as of 11:15, 18 March 2024

Verschlüsselter Code: Ephaptische Übertragung

Zusammenfassung

Der Begriff „Cognitive Neural Network“, abgekürzt mit „RNC“, ist ein dynamischer kognitiver intellektueller Prozess des Klinikers, der das Netzwerk zum Selbsttraining abfragt. Das „RNC“ ist kein „maschinelles Lernen“, denn während letzteres vom Kliniker mit statistischen und Vorhersageanpassungen trainiert werden muss, schult das „RNC“ den Kliniker oder leitet den Kliniker vielmehr zur Diagnose, während es immer einer Logik folgend befragt wird menschlich, daher der Begriff „kognitiv“. Wie gezeigt, war die Definition von „Emasticatory Spasm“ bei unserer Patientin Mary Poppins kein klinisch einfacher Prozess, aber angesichts der Themen, die in den vorherigen Kapiteln von Masticationpedia vorgestellt wurden, stehen uns mindestens drei unterstützende Elemente zur Verfügung: eine Vision von „Quantum Probability“ physikalisch-chemischer Phänomene in komplexen biologischen Systemen, die in den jeweiligen Kapiteln ausführlich behandelt werden; eine formellere und weniger vage Sprache als die natürliche Sprache, die die diagnostische Analyse durch die an den ersten Eingabeknoten des 'RNC' leitet ' $\tau$ Kohärenz Demarcator' beschrieben im Kapitel '1. Klinischer Fall: Hemimastikatorischer Spasmus'; der „RNC“-Prozess, der, da er ausschließlich vom Kliniker verwaltet und geleitet wird, zu einem wesentlichen Mittel für die definitive Diagnose wird. Der „RNC“ ist in der Tat das Ergebnis eines tiefgreifenden kognitiven Prozesses, der bei jedem Schritt der Analyse durchgeführt wird, in dem der Kliniker seine Intuitionen abwägt, seine Zweifel klärt, die Berichte bewertet, die Kontexte berücksichtigt und Schritt für Schritt vorgeht das Ergebnis der Antwort aus der Datenbank, die in unserem Fall Pubmed ist und die im Wesentlichen den aktuellen Stand des Basiswissens darstellt $KB_{t}$ zum Zeitpunkt der Abfrage und $KB_{c}$ im breiteren Fachkontext.

Article by Gianni Frisardi · Flavio Frisardi

Einführung

Im Kapitel '1. Klinischer Fall: Hemimastikatorischer Spasmus' wir kamen sofort zu einer Schlussfolgerung unter Umgehung aller kognitiven, klinischen und wissenschaftlichen Prozesse, die der diagnostischen Definition zugrunde liegen, aber es ist nicht so einfach, sonst hätte unsere arme Patientin Mary Poppins nicht 10 Jahre auf die richtige Diagnose warten müssen.

Hervorzuheben ist, dass es sich nicht um eine Nachlässigkeit des Klinikers handelt, sondern um die Komplexität „biologischer Komplexsysteme“ und vor allem um eine noch an einer „klassischen Wahrscheinlichkeit“ verankerte Denkweise, die gesunde und kranke Phänotypen nach Symptomen kategorisiert und Zeichen untersuchten Kliniker, anstatt den „Zustand“ des Systems in der zeitlichen Entwicklung zu untersuchen. Dieses Konzept, vorweggenommen im Kapitel 'Logik der medizinischen Sprache: Einführung in die quantenähnliche Wahrscheinlichkeit im Kausystem' and in 'Schlussfolgerungen zum Status quo in der medizinischen Sprachlogik bezüglich des Kausystems' hat die Grundlagen für eine artikuliertere und weniger deterministische medizinische Sprache gelegt, die sich hauptsächlich auf den „Zustand“ des „mesoskopischen Systems“ konzentriert, dessen Zweck im Wesentlichen darin besteht, die vom Zentralnervensystem erzeugte Nachricht in Maschinensprache zu entschlüsseln, während wir helfen werden in der Beschreibung anderer klinischer Fälle, über die in den nächsten Kapiteln von Masticationpedia berichtet wird.

Dieses Modell, das wir mit dem Begriff „Cognitive Neural Network“, abgekürzt als „RNC“, vorschlagen, ist ein dynamischer kognitiver intellektueller Prozess des Klinikers, der das Netzwerk zum Selbsttraining abfragt. Das „RNC“ ist kein „maschinelles Lernen“, denn während letzteres vom Kliniker mit statistischen und Vorhersageanpassungen trainiert werden muss, schult das „RNC“ den Kliniker oder leitet den Kliniker vielmehr zur Diagnose, während es immer einer Logik folgend befragt wird menschlich, daher der Begriff „kognitiv“.

Tatsächlich versagen einige klassische Modelle des maschinellen Lernens, deren Training im Labor positive Ergebnisse liefert, wenn sie auf den realen Kontext angewendet werden. Dies wird normalerweise auf eine Diskrepanz zwischen den Datensätzen, mit denen die Maschine trainiert wurde, und den Daten, auf die sie in der realen Welt trifft, zurückgeführt. Ein praktisches Beispiel dafür kann der im diagnostischen Prozess unserer Patientin Mary Poppins angetroffene Behauptungskonflikt zwischen dem zahnmedizinischen und dem neurologischen Kontext darstellen, der nur die Stütze des Kohärenzdemarkators darstellt $\tau$ (kognitiver Prozess) gelöst werden konnte.

Eine der Grenzen des maschinellen Lernens ist daher als „Datenverschiebung“ bekannt.,^[1] oder "Datenbewegung" und eine weitere zugrunde liegende Ursache für das Versagen einiger Modelle außerhalb des Labors, ist die "Unterspezifikation"^[2]^[3]so sehr, dass der Versuch, ein speziell für den Einsatz in einem Krebszentrum entwickeltes algorithmusgestütztes elektronisches Krankenaktensystem (EMR) zu bauen, mit geschätzten Kosten von 39.000.000 USD ein bemerkenswerter Fehlschlag war. Diese Bemühungen waren eine Partnerschaft von 2012 zwischen M.D. Anderson Partners und IBM Watson in Houston, Texas.^[4] Frühe Werbenachrichten, die das Projekt beschrieben, besagten, dass der Plan darin bestand, genetische Daten, pathologische Berichte mit ärztlichen Notizen und relevanten Zeitschriftenartikeln zu kombinieren, um Ärzten bei der Erstellung von Diagnosen und Behandlungen zu helfen. Fünf Jahre später, im Februar 2017, gab M.D. Anderson jedoch bekannt, dass er das Projekt eingestellt hatte, weil er nach mehreren Jahren des Versuchs kein Instrument zur Verwendung mit Patienten entwickelt hatte, das bereit war, über Pilotversuche hinauszugehen.

«Faszinierend und provokativ, erkläre es mir ausführlich»
(... the model is essentially simple in its cognitive complexity)

Im Wesentlichen wurde die verschlüsselte maschinelle Sprachnachricht, die das Zentralnervensystem in den 10 Jahren der Krankheit unserer Patientin Mary Poppins aussendete, durch die verbale Sprache als orofazialer Schmerz aufgrund von Kiefergelenkserkrankungen interpretiert. Wir haben jedoch mehrfach angemerkt, dass die menschliche verbale Sprache durch Vagheit und Mehrdeutigkeit verzerrt ist und daher, da sie keine formale Sprache wie die mathematische Sprache ist, diagnostische Fehler erzeugen kann. Die zu suchende Nachricht in Maschinensprache, die vom Zentralnervensystem ausgesendet wird, ist nicht Schmerz (Schmerz ist eine verbale Sprache), sondern die Anomalie des „Systemzustands“, in dem sich der Organismus in diesem Zeitraum befand. Daher die Verschiebung von der Semiotik des Symptoms und des klinischen Zeichens hin zum 'Systemlogik' die durch 'systemtheoretische' Modelle die Reaktionen des Systems auf eingehende Reize quantifizieren, sogar bei gesunden Probanden.

All dies wird im vorgeschlagenen „RNC“-Modell repliziert, indem der Prozess in eingehende Trigger (Input) und ausgehende Daten (Output) unterteilt wird, um dann in einer Schleife wiederholt zu werden, die vom Kliniker kognitiv verwaltet wird, bis zur Generierung eines einzelnen Knotens, der für die nützlich ist endgültige Diagnose. Das Modell gliedert sich im Wesentlichen wie folgt:

Input: Mit eingehendem Trigger meinen wir den kognitiven Prozess, den der Kliniker als Funktion der Überlegungen aus früheren Aussagen implementiert, wie in den Kapiteln zur „medizinischen Sprachlogik“ ausgeführt wurde. In unserem Fall durch den 'Consistency Demarcator $\tau$ ,Anstelle des zahnmedizinischen wurde der neurologische Kontext als geeignet definiert, um eine klinisch-diagnostische Erklärung von CMD zu verfolgen. Dieser Auslöser ist von wesentlicher Bedeutung, da er es dem Kliniker ermöglicht, den Netzwerkanalyse-Initiierungsbefehl zu zentrieren, der eine große Datenprobe entsprechend dem eingestellten Auslöser verbindet. Zu diesem wesentlichen Anfangsbefehl als algorithmischer Entschlüsselungsschlüssel wird der letzte Abschlussbefehl hinzugefügt, der ebenso wichtig ist, da er von der Intuition des Arztes abhängt, der den Entschlüsselungsprozess als abgeschlossen betrachtet. In Abbildung 1 ist die Struktur des „RNC“ dargestellt, in der der Unterschied zwischen den üblicheren neuronalen Netzwerkstrukturen, in denen die erste Stufe mit einer hohen Anzahl von Eingangsvariablen strukturiert ist, festgestellt werden kann. In unserem „RNC“ entspricht die erste Stufe nur einem Knoten und genau dem Netzwerkanalyse-Initialisierungsbefehl namens „Consistency Demarcator $\tau$ ', die nachfolgenden Schleifen des Netzwerks, die es dem Kliniker ermöglichen, das Netzwerk zu beenden oder zu wiederholen, (1. Schleife offen, 2. Schleife offen, ... n. Schleife offen) sind entscheidend für den Abschluss des Entschlüsselungsprozesses ( Decrypted Code ). Dieser Schritt wird später in diesem Kapitel ausführlicher erläutert.

Abbildung 1: Grafische Darstellung des von Masticationpedia vorgeschlagenen „RNC“.

Output: Die ausgehenden Daten aus dem Netzwerk, die im Wesentlichen einer präzisen kognitiven Trigger-Anfrage entsprechen, liefern eine große Anzahl von Daten, die mit dem angeforderten Schlüsselwort klassifiziert und korreliert sind. Der Kliniker muss Zeit und Konzentration aufwenden, um mit der Entschlüsselung des Maschinencodes fortzufahren. Tatsächlich haben wir miterlebt, wie unsere Patientin Mary Poppins nach den von Forschungskriterien wie den „Research Diagnostic Criteria“ (RDC) vorgegebenen Indikationen sofort als „TMDs“ kategorisiert wurde, und wir haben auch einen Weg vorgeschlagen, die diagnostischen Möglichkeiten in zu erweitern Zahnheilkunde durch ein „unscharfes“ Modell, das es ermöglichen würde, sich in anderen Kontexten als dem eigenen zu bewegen. Dies zeigt die Komplexität von Differentialdiagnosen und die Schwierigkeiten, einem klassischen semiotischen Fahrplan zu folgen, weil wir zu sehr in der verbalen Sprache und zu wenig in einer Quantenkultur biologischer Systeme verankert sind. Dies grenzt an das Konzept der Maschinensprache und des anfänglichen Entschlüsselungsbefehls, das wir im nächsten Abschnitt kurz erläutern werden.

Einweihungsbefehl

Stellen wir uns für einen Moment vor, dass das Gehirn die Sprache eines Computers spricht und nicht umgekehrt, wie dies in der Technik der Fall ist, um den oben erwähnten Unterschied zwischen Maschinensprache und menschlicher verbaler Sprache herauszuarbeiten. Um einen Satz, ein Wort oder eine Formel zu schreiben, verwendet der Computer nicht den klassischen verbalen Modus (Alphabet) oder den Dezimalmodus (Zahlen), mit denen wir mathematische Formeln schreiben, sondern seinen eigenen „schreibenden“ Sprachcode, der HTML-Code für das Web genannt wird . Nehmen wir als Beispiel das Schreiben einer ziemlich komplexen Formel, sie wird unserem Gehirn in der verbalen Sprache präsentiert, mit der wir gelernt haben, eine mathematische Gleichung zu lesen, in der folgenden Form:

$+2\sum _{\alpha _{1}<\alpha _{2}}\cos \theta _{\alpha _{1}\alpha _{2}}{\sqrt {P(A=\alpha _{1})P(B=\beta |A=\alpha _{1})}}P(A=\alpha _{2})P(B=\beta |a=\alpha _{2})$ und stellen wir uns gedanklich schweifend vor, dass diese Formel der Botschaft des Zentralnervensystems entspricht, wie wir es vorweggenommen haben, insbesondere in der noch zu entschlüsselnden „ephaptischen Übertragung“.

Der Computer und damit das Gehirn, für unser metaphorisches Beispiel, kennt keine verbale Sprache bzw. ist nur eine zur Vereinfachung der natürlichen Kommunikation generierte Konvention, sondern hat eine eigene, mit der die genannte Formel und in der Wiki-Textsprache geschrieben werden kann ( mit Erweiterung .php) sieht wie folgt aus, dargestellt in Abbildung 2:

Abbildung 2: Wiki-Text einer mathematischen Formel. Beachten Sie den Initialisierungsbefehl <math> und den Script-Exit-Befehl </math>
wie Sie sehen können, hat es nichts mit verbaler Sprache zu tun, und tatsächlich hat das Gehirn seine eigene Maschinensprache, die nicht aus Vokalen, Konsonanten und Zahlen besteht, sondern aus Aktionspotentialen, Wellenpaketen, Frequenzen und Amplituden, elektrischen Populationen usw. was Wir beobachten einfach in einer elektroenzephalographischen Aufzeichnung (EEG), die genau die elektromagnetischen Felder auf der Kopfhaut der Aktivität der Dipole und der zerebralen Ionenströme darstellt, die sich im Gehirnvolumen ausbreiten.

Die Geschichte endet hier jedoch nicht, da dies eine Schreibsprache ist, die nichts mit dem Interpretieren von Computerhardware zu tun hat und daher mit der organischen Struktur des Gehirns, das aus Zentren mit spezialisierten Funktionen, synaptischen, polysynaptischen Schaltkreisen und anderem besteht . Diese Schreibsprache leitet sich also von einer Maschinensprache ab, die nicht im Befehl '<math>' statt '+2\sum_{\alpha_1'} modelliert wird, sondern von einer nachträglich in html-Schreibcode umgewandelten Binärsprache. Dies wird sowohl für den Computer als auch für das Gehirn als „Maschinensprache“ bezeichnet und kann wie folgt simuliert werden

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

Was aber, wenn die folgende Zeichenfolge 00101011 00110010 01011100 01110011 01110101 01101101, die dem Befehl <math> entspricht, in diesem Code nicht vorhanden ist?

Die Nachricht wäre beschädigt und die Formel würde nicht generiert werden, da der wichtigste Schritt, die 'Initialisierung des Befehlscodes', fehlt, sowie wenn wir den letzten Teil des Codes 01101100 01110000 01101000 01100001 01011111 00110010 00101001 eliminieren, entsprechend der Schließung des Skripts < /math> würde die Formel beschädigt und unbestimmt bleiben.

In der Praxis ist die Formel ohne den Anfangs- und Endbefehl gut in der folgenden Form beschrieben, die für uns verständlich ist:

$+2\sum _{\alpha _{1}<\alpha _{2}}\cos \theta _{\alpha _{1}\alpha _{2}}{\sqrt {P(A=\alpha _{1})P(B=\beta |A=\alpha _{1})}}P(A=\alpha _{2})P(B=\beta |a=\alpha _{2})$

es würde sich auf eine Weise darstellen, die für die meisten Menschen unverständlich ist.

+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)

So wie das Fehlen eines Teils des Binärcodes die Darstellung der Formel verfälscht, so ist auch die Entschlüsselung der Maschinensprache des ZNS eine Quelle der Unbestimmtheit und Mehrdeutigkeit der verbalen Sprache und kontextuell diagnostischer Fehler.

Kognitiver Prozess

Der Kern des „RNC“-Modells liegt in dem kognitiven Prozess, der sich ausschließlich auf den Kliniker bezieht, der am Ruder steht, während das Netzwerk im Wesentlichen der Kompass bleibt, der vor Kursabweichungen warnt und/oder andere Alternativrouten vorschlägt, aber die Entscheidungsverantwortung immer bezieht zum Kliniker (menschlicher Verstand). In dieser einfachen Definition, wir werden es am Ende des Kapitels besser erkennen, wird der Synergismus „neuronales Netzwerk“ und „menschlicher kognitiver Prozess“ des Klinikers selbstimplementierend sein, weil der Kliniker einerseits geschult oder besser angeleitet wird das neuronale Netz (Datenbank) und das Letzte wird auf dem letzten aktualisierten wissenschaftlich-klinischen Ereignis trainiert. Grundsätzlich fügt die endgültige Diagnose dem zeitlichen Basiswissen eine zusätzliche Information hinzu $Kb_{t}$ .Dieses Modell unterscheidet sich wesentlich vom „maschinellen Lernen“ allein durch die Beobachtung der beiden Modelle in ihrer strukturellen Konfiguration (Abbildungen 1 und 3).

Abbildung 3: Grafische Darstellung eines archetypischen KNN, in dem es in der ersten Phase der Initialisierung zu sehen ist, wo es fünf Eingabeknoten gibt^[5] während im "RNC"-Modell die erste Stufe aus nur einem Knoten besteht. Text folgen.

Abbildung 3 zeigt ein typisches neuronales Netzwerk, auch bekannt als künstliche NNs. Diese künstlichen NNs versuchen, mehrere Berechnungsebenen zu verwenden, um das Konzept nachzuahmen, wie das menschliche Gehirn Informationen interpretiert und daraus Schlussfolgerungen zieht.^[5]NNs sind im Wesentlichen mathematische Modelle, die entwickelt wurden, um komplexe und unterschiedliche Informationen zu verarbeiten, und die Nomenklatur dieses Algorithmus stammt von der Verwendung von synapsenähnlichen „Knoten“ im Gehirn.^[6] Der Lernprozess eines NN kann überwacht oder unüberwacht sein. Ein neuronales Netzwerk soll überwacht lernen, wenn die gewünschte Ausgabe bereits zielgerichtet ist und durch Datentraining in das Netzwerk eingeführt wird, während ein nicht überwachtes NN keine solchen vorab identifizierten Zielausgaben hat und das Ziel darin besteht, ähnliche Einheiten in bestimmten Bereichen nahe beieinander zu gruppieren des Wertebereichs. Das überwachte Modul nimmt Daten (z. B. Symptome, Risikofaktoren, Bildgebung und Laborbefunde) zum Training bekannter Ergebnisse und sucht nach verschiedenen Kombinationen, um die am besten vorhersagbare Kombination von Variablen zu finden. NN weist bestimmten Kombinationen von Knoten mehr oder weniger Gewicht zu, um die Vorhersageleistung des trainierten Modells zu optimieren.^[7]

Abbildung 1 hingegen entspricht dem vorgeschlagenen 'RNC'-Modell und es ist ersichtlich, wie die erste Phase der Erfassung aus einem einzigen Knoten besteht, während das 'Maschinelle Lernen' am ersten Knoten die mehr eingehenden Variablen hat größer die 'Vorhersage' im Ausgang. Wie erwähnt, sollte berücksichtigt werden, dass der erste Knoten von grundlegender Bedeutung ist, da er bereits von einem klinischen kognitiven Prozess abstammt, der die ' $\tau$ Kohärenz Demarkator“, um erstmals eine Feldauswahl zu treffen. Aus dem Initialisierungsbefehl entwickelt sich das neuronale Netzwerk daher in einer Reihe von Zuständen, die aus einer großen Anzahl von Knoten bestehen, und endet dann bei einem ersten Schritt von einem oder zwei Knoten und wiederholt sich dann in einer anschließenden Schleife von mehreren Knoten, bis es im " letzter schlüssiger Knoten (Entschlüsselung des Codes). Der Initialisierungsprozess des ersten Knotens, des letzten und die Wiederholung der Schleife ist ausschließlich dem menschlichen kognitiven Prozess des Klinikers vorbehalten und nicht einem statistischen Automatismus des maschinellen Lernens, geschweige denn „versteckten“ Stadien. Alle offenen und geschlossenen Regelkreise müssen dem Arzt bekannt sein.

Aber lassen Sie uns im Detail sehen, wie ein 'RNC' aufgebaut ist

Kognitives neuronales Netzwerk

In diesem Absatz scheint es notwendig, den klinischen Prozess zu erklären, der mit der Unterstützung des „RNC“ gefolgt wird, indem Schritt für Schritt die kognitiven Anfragen an das Netzwerk und die kognitive Analyse durchgeführt werden, die an den Daten als Antwort vom Netzwerk durchgeführt wird. Die Karte wurde auch in Abbildung 4 mit Links zu den Netzwerkantworten angezeigt, die für eine konsistentere Dokumentation angezeigt werden können:

Kohärenz Demarkator $\tau$ :Wie wir zuvor beschrieben haben, ist der erste Schritt ein Netzwerkanalyse-Initialisierungsbefehl, der sich tatsächlich aus einer vorherigen kognitiven Verarbeitung der Behauptungen im zahnmedizinischen Kontext ableitet $\delta _{n}$ und die neurologische $\gamma _{n}$ zu denen die ' $\tau$ Kohärenz Demarcator' gab absolutes Gewicht, indem er den dentalen Kontext effektiv eliminierte $\delta _{n}$ aus dem Prozess. Aus dem, was aus den neurologischen Behauptungen hervorgeht $\gamma _{n}$ Der „Zustand“ des Trigeminusnervensystems erscheint unstrukturiert und hebt Anomalien der Trigeminusreflexe hervor, für die der Befehl „Initialisierung“ gilt Trige minusreflex' gehen und die Datenbank testen (Pubmed).
1. offene Schleife: Dieser Befehl „Initialisieren“ wird daher als anfängliche Eingabe für die Pubmed-Datenbank betrachtet, die mit 2.466 klinischen und experimentellen Daten antwortet, die dem Kliniker zur Verfügung stehen. Die Eröffnung der ersten echten kognitiven Analyse wird genau auf die Analyse des ersten Ergebnisses des „RNC“ entsprechend dem „Trigeminalreflex“ ausgearbeitet. In dieser Phase stellen wir fest, dass ein diskreter Prozentsatz der Daten eine Übereinstimmung zwischen Anomalien des Trigeminusreflexes und Demyelinisierungsproblemen aufzeigt, daher entspricht die erste offene Schleife: 'Demyelinisierende Neuropathie'' die 14 sensible Daten zurückgibt. Hinter der Wahl dieses Schlüssels steht ein aktiver und dynamischer kognitiver Prozess des Klinikers. Aus den Behauptungen im neurologischen Kontext wurde eine neuropathische Pathologie vermutet, bei der auch der demyelinisierende Aspekt berücksichtigt werden sollte.
2. Schleife offen: Der Prozess wird fortgesetzt, indem immer detaillierter auf die Schlüsselwörter fokussiert wird, die unseren elektrophysiologischen anomalen Ergebnisdaten entsprechen, dh der Latenz des Kieferrucks. Diese Eingabe entspricht 'Latenz' und gibt 6 sensible Daten zurück, auf denen eine weitere Iteration der Schleife verarbeitet werden soll.
3. Schleife offen: In den Aussagen des neurologischen Zusammenhangs wird auch eine Anomalie in der Amplitude des Kieferrucks sowie in der Latenz beobachtet. Diese 3. offene Schleife entspricht 'Amplitude' und gibt nur 2 Datenpunkte zurück, auf denen verweilt werden muss, um das Schlüsselwort zu entscheiden, um die Schleife zu wiederholen oder den Prozess endgültig zu schließen. Das Ergebnis zeigt einen Artikel, der die elektrophysiologische Bewertung von kranialen Neuropathien beschreibt, die für unsere Zwecke als von geringem spezifischem Gewicht angesehen wurden, während der andere Artikel einige trigeminale Methoden zum Testen von Latenz, Amplitude der Kaumuskulatur, einschließlich des H-Reflexes, hervorhebt.
4. Schleife geschlossen: Der Prozess wird daher fortgesetzt, indem das algorithmische Schlüsselwort eingefügt wird 'H-Reflex ', die 3.701 klinisch-wissenschaftliche Daten zurückgibt.
5. Schleife offen: Die hervorgehobenen Anomalien wurden hauptsächlich an den Massetern verifiziert, sodass abgeleitet werden kann, dass Schlüsselwörter bezüglich der 'Masseter-Muskel'kann in der abgefragten Probe der 4. geschlossenen Schleife abgefangen werden, daher die 5. offene Schleife, die 30 Daten zurückgibt, die für die 'RNC' verfügbar sind
6. Schleife offen: Wir wissen allerdings nicht, ob die neuropathische Schädigung ausschließlich am Massetermuskel lokalisiert ist oder auch den Schläfenmuskel betrifft, daher wäre ein weiteres algorithmisches Stichwort die 'Schläfenmuskel' die 8 sensible Daten zurückgibt.
7. offene Schleife: Bei einer sorgfältigen Analyse dieser 7. offenen Schleife fragt man sich, ob diese elektrophysiologischen Anomalien bei Patienten mit Sklerose hervorgehoben werden können und in der Krankengeschichte des Patienten vorhanden sind, eine frühere Diagnose von „Morphea“, es wurde entschieden, das „Netzwerk“ zu befragen ' eines weiteren Schlüsselworts und konzentrierte sich auf 'Sklerose', die nur einen sensiblen Datenwert lieferte, 'heteronymer H-Referenz am Schläfenmuskel bei Patienten mit amyotropher Lateralsklerose'.
Bei einer sorgfältigen Analyse dieser 7. offenen Schleife fragt man sich, ob diese elektrophysiologischen Anomalien bei Patienten mit Sklerose hervorgehoben werden können und in der Krankengeschichte des Patienten vorhanden waren, eine frühere Diagnose von „Morphea“ es wurde entschieden, das „Netzwerk“ eines anderen zu befragen Schlüsselwort konzentrierte sich auf „Sklerose“, das nur eine sensible Information lieferte 'Heteronymer H-Reflex im Schläfenmuskel als Zeichen der Übererregbarkeit bei ALS-Patienten
8. Schleife geschlossen: In diesem einzelnen Knoten könnte der Kliniker die Schleife beenden, hätte aber nichts gelöst, da die Decodierung der verschlüsselten Nachricht noch nicht erreicht wurde. Es sei darauf hingewiesen, dass die elektrophysiologische Methode mit der Bezeichnung „heteronomer H-Reflex“ in der Lage ist, Anomalien der Reaktion des Schläfenmuskels hervorzuheben, für den die Schleife fortgesetzt wurde, indem das folgende spezifische Schlüsselwort eingefügt wird:' Abnormale Reaktion des Schläfenmuskels' die 137 Daten zurückgibt.
9. Schleife offen: Durch das Studium der 137 Artikel, die in Pubmed erschienen sind, vermutet der Kliniker, dass die Reaktionsanomalien im Schläfenmuskel durch den H-Reflex-Test von einer Streuung des Reizstroms bei der unstrukturierten Brandstiftung abhängen, und untersucht daher die Schleife weiter das Netzwerk nach einem weiteren Schlüsselwort befragen, den 'Lateralen Hoffnungsimpulsen', das den kognitiven Prozess des 'Neuralen Netzwerks' mit einem nahen Artikel zu unseren klinischen Hypothesen bezüglich der Patientin Mary Poppins endgültig abschließt und das ist 'Die ephaptische Übertragung ist der Ursprung der abnormalen Muskelreaktion, die bei Hemifacial Spasmen beobachtet wird'

Abbildung 4: Die in der Vorlage hervorgehobenen aktiven Links der „RNC“ entsprechen der Datenbank „Pubmed“ und können dokumentiert werden.

Abschluss

Wie gezeigt, war die Definition von „Emasticatory spasm“ bei unserer Patientin Mary Poppins kein klinisch einfacher Prozess, aber unter Berücksichtigung der Themen, die in den vorherigen Kapiteln von Masticationpedia vorgestellt wurden, stehen uns mindestens drei Elemente zur Unterstützung zur Verfügung:

Eine Vision der „Quantenwahrscheinlichkeit“ von physikalisch-chemischen Phänomenen in komplexen biologischen Systemen, die ausführlich in den spezifischen Kapiteln diskutiert werden.
Eine formellere und weniger vage Sprache als die natürliche Sprache, die die diagnostische Analyse durch die an den ersten Eingabeknoten des 'RNC' leitet ' $\tau$ Kohärenz Demarkator' im Kapitel beschrieben '1. Klinischer Fall: Hemimastikatorischer Spasmus'
Der „RNC“-Prozess, der ausschließlich vom Kliniker verwaltet und geleitet wird, wird zu einem wesentlichen Mittel für die endgültige Diagnose.

Der „RNC“ ist in der Tat das Ergebnis eines tiefgreifenden kognitiven Prozesses, der bei jedem Schritt der Analyse durchgeführt wird, in dem der Kliniker seine Intuitionen abwägt, seine Zweifel klärt, die Berichte bewertet, die Kontexte berücksichtigt und Schritt für Schritt vorgeht das Ergebnis der Antwort aus der Datenbank, in unserem Fall Pubmed, die im Wesentlichen den aktuellen Stand des Grundwissens darstellt $KB_{t}$ zur Fragestunde und die $KB_{c}$ in den breitesten Fachkontexten.

Eine lineare Darstellung dieses kognitiven Prozesses, der als bezeichnet wird $RNC_{1}$ mit den notwendigen annotationen könnte es folgendes sein:

$RNC_{1}=\sum ($ Trigeminusreflex,Demyelinisierende Neuropathie, Latenz,Amplitude,H-Reflex, Masseter-Muskel, Schläfenmuskel, Heteronymer H-Reflex im Schläfenmuskel als Zeichen der Übererregbarkeit bei ALS-Patienten,Abnormale Reaktion des Schläfenmuskels $)$ $\longrightarrow$ Die ephaptische Übertragung ist der Ursprung der abnormalen Muskelreaktion, die bei Hemifacial Spasmen beobachtet wird

Es sind im Wesentlichen zwei Anmerkungen zu beachten: Die erste ist die obligatorische Identifizierung der Initialisierungseingabe, die sich aus dem durch die ausgewählten Kontext ergibt ' $\tau$ Kohärenz Demarkator' und zweitens die Reihenfolge der kognitiv ausgewählten Schlüsselwörter.

«Was passiert in der Tat mit dem „RNC“, wenn wir den zahnmedizinischen Kontext berücksichtigen, indem wir das Schlüsselwort „temporomandibuläre Störungen“ als Initialisierungseingabe einfügen und alles andere unverändert lassen?»

Durch Markieren des Netzwerks als $RNC_{2}$ mit einem zahnärztlichen Initialisierungseingang ( Kiefergelenkserkrankungen) wie folgt:

$RNC_{2}=\sum ($ Temporomandibuläre Erkrankungen,Trigeminusreflex, Demyelinisierende Neuropathie, Latency $\longrightarrow$ Side asymmetry of the jaw jerk in human craniomandibular dysfunction

Die Nachricht ist, wie oben in Bezug auf die mathematische Formel erläutert, beschädigt, da die Initialisierungsbefehlseingabe (tempormandibuläre Störungen) das Netzwerk für einen Satz von Daten leitet, nicht weniger als 20.514, die Verbindungen mit einem Teil von Untersätzen verlieren. Während der Rest des RNC dem vorherigen ähnlich bleibt (neurologischer Kontext), hält das Netzwerk beim Schlüsselwort „Latenz“ an und zeigt nur einen wissenschaftlichen Artikel, der offensichtlich die Latenz des Kieferruckens betrifft, sich aber nicht auf neuropathische Störungen bezieht. (Abbildung 5) Der Fehler bei der Wahl der Initialisierungsbefehlseingabe des $RNC$ Dieser Prozess verdirbt nicht nur die zu entschlüsselnde Nachricht, sondern macht auch die gesamte vorgelagerte Arbeit der Analyse der klinischen Behauptungen, die in den Kapiteln der Sprachlogik besprochen wurden, umsonst.

Abbildung 5: Beenden der „RNC“-Schleife mit einer Initialisierungseingabe von „Temporomandibular Disorders“

Das Ändern der Reihenfolge der Schlüsselwörter in einem exakten kognitiven Pfad wie dem neurologischen liefert jedoch im Wesentlichen die gleichen Ergebnisse wie der vorherige, vorausgesetzt, dass die Eingabe des Initialisierungsbefehls perfekt zentriert ist, wie in der folgenden mit gekennzeichneten Simulation zu sehen ist $RNC_{3}$ :

$RNC_{3}=\sum ($ Trigeminusreflex, Amplitude Latenz demyelinisierende Neuropathie $\longrightarrow$ H-Reflex................

und verbindet sich wieder mit dem vorherigen bis zum Schließen in der Ausgabe „Ephaptische Übertragung ist der Ursprung der abnormalen Muskelreaktion, die bei hemifazialem Spasmus zu sehen ist“ (Abbildung 6)

Abbildung 6: Prozess von 'RNC' mit geänderter Reihenfolge der Schlüsselwörter.

Beachten Sie, dass dies der Fall wäre, wenn dieses Kapitel in einer betroffenen internationalen wissenschaftlichen Zeitschrift (Impact Factor) veröffentlicht worden wäre $KB_{t}$ und kontextuell wäre ein hypothetisches „maschinelles Lernen“ mit einem neuen Inhalt angereichert worden oder der Diagnose „Hemimastikatorischer Spasmus“, definiert nach der elektrophysiologischen Methode des heteronymen H-Reflexes. Diese Schlussfolgerung wird sich als nützlich erweisen, wenn wir dasselbe Verfahren für andere klinische Fälle wiederholen, in denen die $KB_{t}$ wird auf die Datenbankausgabe aktualisiert.

Um mehr über die methodische Beschreibung des „Heteronimous H-Reflex“ zu erfahren, wird der Leser eingeladen, ihm zu folgen

Bibliography & references

↑ Jérôme Dockès, Gaël Varoquaux, Jean-Baptiste Poline. Preventing dataset shift from breaking machine-learning biomarkers.GigaScience, Volume 10, Issue 9, September 2021, giab055,
↑ 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
↑ 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
↑ Herper M. MD Anderson benches IBM Watson in setback for artificial intelligence in medicine. Forbes. 2017 February 19. [Ref list]
↑ ^5.0 ^5.1 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.
↑ 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.
↑ Abdi H. A neural network primer. J Biol Syst 1994; 02: 247–81.

[1] Jérôme Dockès, Gaël Varoquaux, Jean-Baptiste Poline. Preventing dataset shift from breaking machine-learning biomarkers.GigaScience, Volume 10, Issue 9, September 2021, giab055,

[2] 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

[3] 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

[4] Herper M. MD Anderson benches IBM Watson in setback for artificial intelligence in medicine. Forbes. 2017 February 19. [Ref list]

[:1-5] 5.0 ^5.1 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.

[6] 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.

[7] Abdi H. A neural network primer. J Biol Syst 1994; 02: 247–81.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

@@ Line 1: / Line 1: @@
+{{main menu}}
-{{Template:Transl}}
+== Zusammenfassung ==
 [[File:Rete neurale completa1-2.png|left|frameless]]
-The term 'Cognitive Neural Network' abbreviated to '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'. As demonstrated, the definition of 'Emasticatory spasm' in our patient Mary Poppins was not a clinically simple process, however, considering the themes presented in the previous chapters of Masticationpedia we have at least three supporting elements available: a vision of 'Quantum Probability' of physical-chemical phenomena in complex biological systems which will be discussed extensively in the specific chapters; a more formal and less vague language than the natural language which directs the diagnostic analysis to the first input node of the 'RNC' through the '<math>\tau</math> Coherence Demarcator' described in the chapter '[[1° Clinical case: Hemimasticatory spasm - en|1st Clinical case: Hemimasticatory spasm]]'; the 'RNC' process which, being managed and guided exclusively by the clinician, becomes an essential means for the definitive diagnosis. The 'RNC', in fact, is the result of a profound cognitive process that is performed on each step of the analysis in which the clinician weighs his intuitions, clarifies his doubts, evaluates the reports, considers the contexts and advances step by step confronting the result of the answer coming from the database which in our case is Pubmed and which substantially represents the current level of basic knowledge <math>KB_t</math> at the time of the query and <math>KB_c</math> in the broader specialist contexts.
+Der Begriff „Cognitive Neural Network“, abgekürzt mit „RNC“, ist ein dynamischer kognitiver intellektueller Prozess des Klinikers, der das Netzwerk zum Selbsttraining abfragt. Das „RNC“ ist kein „maschinelles Lernen“, denn während letzteres vom Kliniker mit statistischen und Vorhersageanpassungen trainiert werden muss, schult das „RNC“ den Kliniker oder leitet den Kliniker vielmehr zur Diagnose, während es immer einer Logik folgend befragt wird menschlich, daher der Begriff „kognitiv“. Wie gezeigt, war die Definition von „Emasticatory Spasm“ bei unserer Patientin Mary Poppins kein klinisch einfacher Prozess, aber angesichts der Themen, die in den vorherigen Kapiteln von Masticationpedia vorgestellt wurden, stehen uns mindestens drei unterstützende Elemente zur Verfügung: eine Vision von „Quantum Probability“ physikalisch-chemischer Phänomene in komplexen biologischen Systemen, die in den jeweiligen Kapiteln ausführlich behandelt werden; eine formellere und weniger vage Sprache als die natürliche Sprache, die die diagnostische Analyse durch die an den ersten Eingabeknoten des 'RNC' leitet '<math>\tau</math> Kohärenz Demarcator' beschrieben im Kapitel '[[1° Clinical case: Hemimasticatory spasm - en|1. Klinischer Fall: Hemimastikatorischer Spasmus]]'; der „RNC“-Prozess, der, da er ausschließlich vom Kliniker verwaltet und geleitet wird, zu einem wesentlichen Mittel für die definitive Diagnose wird. Der „RNC“ ist in der Tat das Ergebnis eines tiefgreifenden kognitiven Prozesses, der bei jedem Schritt der Analyse durchgeführt wird, in dem der Kliniker seine Intuitionen abwägt, seine Zweifel klärt, die Berichte bewertet, die Kontexte berücksichtigt und Schritt für Schritt vorgeht das Ergebnis der Antwort aus der Datenbank, die in unserem Fall Pubmed ist und die im Wesentlichen den aktuellen Stand des Basiswissens darstellt <math>KB_t</math> zum Zeitpunkt der Abfrage und <math>KB_c</math> im breiteren Fachkontext.
 {{ArtBy|
@@ Line 11: / Line 11: @@
 }}
-{{Bookind2}}
+==Einführung ==
+Im Kapitel '[[1° Klinischer Fall: Hemimastikatorischer Spasmus|1. Klinischer Fall: Hemimastikatorischer Spasmus]]' wir kamen sofort zu einer Schlussfolgerung unter Umgehung aller kognitiven, klinischen und wissenschaftlichen Prozesse, die der diagnostischen Definition zugrunde liegen, aber es ist nicht so einfach, sonst hätte unsere arme Patientin Mary Poppins nicht 10 Jahre auf die richtige Diagnose warten müssen.<blockquote>Hervorzuheben ist, dass es sich nicht um eine Nachlässigkeit des Klinikers handelt, sondern um die Komplexität „biologischer Komplexsysteme“ und vor allem um eine noch an einer „klassischen Wahrscheinlichkeit“ verankerte Denkweise, die gesunde und kranke Phänotypen nach Symptomen kategorisiert und Zeichen untersuchten Kliniker, anstatt den „Zustand“ des Systems in der zeitlichen Entwicklung zu untersuchen. Dieses Konzept, vorweggenommen im Kapitel '[[Logik der medizinischen Sprache: Einführung in die quantenähnliche Wahrscheinlichkeit im Kausystem]]' and in                        '[[Schlussfolgerungen zum Status quo in der medizinischen Sprachlogik bezüglich des Kausystems]]' hat die Grundlagen für eine artikuliertere und weniger deterministische medizinische Sprache gelegt, die sich hauptsächlich auf den „Zustand“ des „mesoskopischen Systems“ konzentriert, dessen Zweck im Wesentlichen darin besteht, die vom Zentralnervensystem erzeugte Nachricht in Maschinensprache zu entschlüsseln, während wir helfen werden in der Beschreibung anderer klinischer Fälle, über die in den nächsten Kapiteln von Masticationpedia berichtet wird. </blockquote>Dieses Modell, das wir mit dem Begriff „Cognitive Neural Network“, abgekürzt als „RNC“, vorschlagen, ist ein dynamischer kognitiver intellektueller Prozess des Klinikers, der das Netzwerk zum Selbsttraining abfragt. Das „RNC“ ist kein „maschinelles Lernen“, denn während letzteres vom Kliniker mit statistischen und Vorhersageanpassungen trainiert werden muss, schult das „RNC“ den Kliniker oder leitet den Kliniker vielmehr zur Diagnose, während es immer einer Logik folgend befragt wird menschlich, daher der Begriff „kognitiv“.
-== Introduction ==
+Tatsächlich versagen einige klassische Modelle des maschinellen Lernens, deren Training im Labor positive Ergebnisse liefert, wenn sie auf den realen Kontext angewendet werden. Dies wird normalerweise auf eine Diskrepanz zwischen den Datensätzen, mit denen die Maschine trainiert wurde, und den Daten, auf die sie in der realen Welt trifft, zurückgeführt. Ein praktisches Beispiel dafür kann der im diagnostischen Prozess unserer Patientin Mary Poppins angetroffene Behauptungskonflikt zwischen dem zahnmedizinischen und dem neurologischen Kontext darstellen, der nur die Stütze des Kohärenzdemarkators darstellt <math>\tau</math> (kognitiver Prozess) gelöst werden konnte.
-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'.
-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.
+Eine der Grenzen des maschinellen Lernens ist daher als „Datenverschiebung“ bekannt.,<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> oder "Datenbewegung" und eine weitere zugrunde liegende Ursache für das Versagen einiger Modelle außerhalb des Labors, ist die "Unterspezifikation"<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 sehr, dass der Versuch, ein speziell für den Einsatz in einem Krebszentrum entwickeltes algorithmusgestütztes elektronisches Krankenaktensystem (EMR) zu bauen, mit geschätzten Kosten von 39.000.000 USD ein bemerkenswerter Fehlschlag war. Diese Bemühungen waren eine Partnerschaft von 2012 zwischen M.D. Anderson Partners und 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> Frühe Werbenachrichten, die das Projekt beschrieben, besagten, dass der Plan darin bestand, genetische Daten, pathologische Berichte mit ärztlichen Notizen und relevanten Zeitschriftenartikeln zu kombinieren, um Ärzten bei der Erstellung von Diagnosen und Behandlungen zu helfen. Fünf Jahre später, im Februar 2017, gab M.D. Anderson jedoch bekannt, dass er das Projekt eingestellt hatte, weil er nach mehreren Jahren des Versuchs kein Instrument zur Verwendung mit Patienten entwickelt hatte, das bereit war, über Pilotversuche hinauszugehen.{{q2|Faszinierend und provokativ, erkläre es mir ausführlich|... the model is essentially simple in its cognitive complexity}}
-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}}
+Im Wesentlichen wurde die verschlüsselte maschinelle Sprachnachricht, die das Zentralnervensystem in den 10 Jahren der Krankheit unserer Patientin Mary Poppins aussendete, durch die verbale Sprache als orofazialer Schmerz aufgrund von Kiefergelenkserkrankungen interpretiert. Wir haben jedoch mehrfach angemerkt, dass die menschliche verbale Sprache durch Vagheit und Mehrdeutigkeit verzerrt ist und daher, da sie keine formale Sprache wie die mathematische Sprache ist, diagnostische Fehler erzeugen kann. Die zu suchende Nachricht in Maschinensprache, die vom Zentralnervensystem ausgesendet wird, ist nicht Schmerz (Schmerz ist eine verbale Sprache), sondern die Anomalie des „Systemzustands“, in dem sich der Organismus in diesem Zeitraum befand. Daher die Verschiebung von der Semiotik des Symptoms und des klinischen Zeichens hin zum '[[System logic|Systemlogik]]' die durch 'systemtheoretische' Modelle die Reaktionen des Systems auf eingehende Reize quantifizieren, sogar bei gesunden Probanden.
-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.
+All dies wird im vorgeschlagenen „RNC“-Modell repliziert, indem der Prozess in eingehende Trigger (Input) und ausgehende Daten (Output) unterteilt wird, um dann in einer Schleife wiederholt zu werden, die vom Kliniker kognitiv verwaltet wird, bis zur Generierung eines einzelnen Knotens, der für die nützlich ist endgültige Diagnose. Das Modell gliedert sich im Wesentlichen wie folgt:
-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:
+* '''Input''': Mit eingehendem Trigger meinen wir den kognitiven Prozess, den der Kliniker als Funktion der Überlegungen aus früheren Aussagen implementiert, wie in den Kapiteln zur „medizinischen Sprachlogik“ ausgeführt wurde. In unserem Fall durch den 'Consistency Demarcator <math>\tau</math>,Anstelle des zahnmedizinischen wurde der neurologische Kontext als geeignet definiert, um eine klinisch-diagnostische Erklärung von CMD zu verfolgen. Dieser Auslöser ist von wesentlicher Bedeutung, da er es dem Kliniker ermöglicht, den Netzwerkanalyse-Initiierungsbefehl zu zentrieren, der eine große Datenprobe entsprechend dem eingestellten Auslöser verbindet. Zu diesem wesentlichen Anfangsbefehl als algorithmischer Entschlüsselungsschlüssel wird der letzte Abschlussbefehl hinzugefügt, der ebenso wichtig ist, da er von der Intuition des Arztes abhängt, der den Entschlüsselungsprozess als abgeschlossen betrachtet. In Abbildung 1 ist die Struktur des „RNC“ dargestellt, in der der Unterschied zwischen den üblicheren neuronalen Netzwerkstrukturen, in denen die erste Stufe mit einer hohen Anzahl von Eingangsvariablen strukturiert ist, festgestellt werden kann. In unserem „RNC“ entspricht die erste Stufe nur einem Knoten und genau dem Netzwerkanalyse-Initialisierungsbefehl namens „Consistency Demarcator <math>\tau</math>', die nachfolgenden Schleifen des Netzwerks, die es dem Kliniker ermöglichen, das Netzwerk zu beenden oder zu wiederholen, (1. Schleife offen, 2. Schleife offen, ... n. Schleife offen) sind entscheidend für den Abschluss des Entschlüsselungsprozesses ( Decrypted Code ). Dieser Schritt wird später in diesem Kapitel ausführlicher erläutert.
+[[File:Immagine 17-12-22 alle 11.34.jpeg|center|500x500px|'''Abbildung 1:''' Grafische Darstellung des von Masticationpedia vorgeschlagenen „RNC“.|thumb]]
-* '''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.
-[[File:Immagine 17-12-22 alle 11.34.jpeg|center|500x500px|'''Figure 1:'''Graphical representation of the 'RNC' proposed by 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.
+*'''Output''': Die ausgehenden Daten aus dem Netzwerk, die im Wesentlichen einer präzisen kognitiven Trigger-Anfrage entsprechen, liefern eine große Anzahl von Daten, die mit dem angeforderten Schlüsselwort klassifiziert und korreliert sind. Der Kliniker muss Zeit und Konzentration aufwenden, um mit der Entschlüsselung des Maschinencodes fortzufahren. Tatsächlich haben wir miterlebt, wie unsere Patientin Mary Poppins nach den von Forschungskriterien wie den „Research Diagnostic Criteria“ (RDC) vorgegebenen Indikationen sofort als „TMDs“ kategorisiert wurde, und wir haben auch einen Weg vorgeschlagen, die diagnostischen Möglichkeiten in zu erweitern Zahnheilkunde durch ein „unscharfes“ Modell, das es ermöglichen würde, sich in anderen Kontexten als dem eigenen zu bewegen. Dies zeigt die Komplexität von Differentialdiagnosen und die Schwierigkeiten, einem klassischen semiotischen Fahrplan zu folgen, weil wir zu sehr in der verbalen Sprache und zu wenig in einer Quantenkultur biologischer Systeme verankert sind. Dies grenzt an das Konzept der Maschinensprache und des anfänglichen Entschlüsselungsbefehls, das wir im nächsten Abschnitt kurz erläutern werden.
-=== Initiation command ===
+===Einweihungsbefehl===
-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:
+Stellen wir uns für einen Moment vor, dass das Gehirn die Sprache eines Computers spricht und nicht umgekehrt, wie dies in der Technik der Fall ist, um den oben erwähnten Unterschied zwischen Maschinensprache und menschlicher verbaler Sprache herauszuarbeiten. Um einen Satz, ein Wort oder eine Formel zu schreiben, verwendet der Computer nicht den klassischen verbalen Modus (Alphabet) oder den Dezimalmodus (Zahlen), mit denen wir mathematische Formeln schreiben, sondern seinen eigenen „schreibenden“ Sprachcode, der HTML-Code für das Web genannt wird . Nehmen wir als Beispiel das Schreiben einer ziemlich komplexen Formel, sie wird unserem Gehirn in der verbalen Sprache präsentiert, mit der wir gelernt haben, eine mathematische Gleichung zu lesen, in der folgenden Form:
 <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> und stellen wir uns gedanklich schweifend vor, dass diese Formel der Botschaft des Zentralnervensystems entspricht, wie wir es vorweggenommen haben, insbesondere in der noch zu entschlüsselnden „ephaptischen Übertragung“.</blockquote>Der Computer und damit das Gehirn, für unser metaphorisches Beispiel, kennt keine verbale Sprache bzw. ist nur eine zur Vereinfachung der natürlichen Kommunikation generierte Konvention, sondern hat eine eigene, mit der die genannte Formel und in der Wiki-Textsprache geschrieben werden kann ( mit Erweiterung .php) sieht wie folgt aus, dargestellt in Abbildung 2:                <blockquote>[[File:Codice mod.png|alt=|center|frame|'''Abbildung 2:''' Wiki-Text einer mathematischen Formel. Beachten Sie den Initialisierungsbefehl <nowiki><math> und den Script-Exit-Befehl </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>
+wie Sie sehen können, hat es nichts mit verbaler Sprache zu tun, und tatsächlich hat das Gehirn seine eigene Maschinensprache, die nicht aus Vokalen, Konsonanten und Zahlen besteht, sondern aus Aktionspotentialen, Wellenpaketen, Frequenzen und Amplituden, elektrischen Populationen usw. was Wir beobachten einfach in einer elektroenzephalographischen Aufzeichnung (EEG), die genau die elektromagnetischen Felder auf der Kopfhaut der Aktivität der Dipole und der zerebralen Ionenströme darstellt, die sich im Gehirnvolumen ausbreiten. </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>
+Die Geschichte endet hier jedoch nicht, da dies eine Schreibsprache ist, die nichts mit dem Interpretieren von Computerhardware zu tun hat und daher mit der organischen Struktur des Gehirns, das aus Zentren mit spezialisierten Funktionen, synaptischen, polysynaptischen Schaltkreisen und anderem besteht . Diese Schreibsprache leitet sich also von einer Maschinensprache ab, die nicht im Befehl '<nowiki><math>' statt '+2\sum_{\alpha_1'} modelliert wird, sondern von einer nachträglich in html-Schreibcode umgewandelten Binärsprache. Dies wird sowohl für den Computer als auch für das Gehirn als „Maschinensprache“ bezeichnet und kann wie folgt simuliert werden</nowiki>
-<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>Was aber, wenn die folgende Zeichenfolge 00101011 00110010 01011100 01110011 01110101 01101101, die dem Befehl <nowiki><math> entspricht, in diesem Code nicht vorhanden ist?</nowiki></blockquote>Die Nachricht wäre beschädigt und die Formel würde nicht generiert werden, da der wichtigste Schritt, die 'Initialisierung des Befehlscodes', fehlt, sowie wenn wir den letzten Teil des Codes 01101100 01110000 01101000 01100001 01011111 00110010 00101001 eliminieren, entsprechend der Schließung des Skripts < /math> würde die Formel beschädigt und unbestimmt bleiben.
-In practice, without the initial and final command, the formula is well described in the following form that is understandable to us:
+In der Praxis ist die Formel ohne den Anfangs- und Endbefehl gut in der folgenden Form beschrieben, die für uns verständlich ist:
 <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.
+es würde sich auf eine Weise darstellen, die für die meisten Menschen unverständlich ist.
 +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.
+So wie das Fehlen eines Teils des Binärcodes die Darstellung der Formel verfälscht, so ist auch die Entschlüsselung der Maschinensprache des ZNS eine Quelle der Unbestimmtheit und Mehrdeutigkeit der verbalen Sprache und kontextuell diagnostischer Fehler.
-=== Cognitive process ===
+===Kognitiver Prozess===
-----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).
+----Der Kern des „RNC“-Modells liegt in dem kognitiven Prozess, der sich ausschließlich auf den Kliniker bezieht, der am Ruder steht, während das Netzwerk im Wesentlichen der Kompass bleibt, der vor Kursabweichungen warnt und/oder andere Alternativrouten vorschlägt, aber die Entscheidungsverantwortung immer bezieht zum Kliniker (menschlicher Verstand). In dieser einfachen Definition, wir werden es am Ende des Kapitels besser erkennen, wird der Synergismus „neuronales Netzwerk“ und „menschlicher kognitiver Prozess“ des Klinikers selbstimplementierend sein, weil der Kliniker einerseits geschult oder besser angeleitet wird das neuronale Netz (Datenbank) und das Letzte wird auf dem letzten aktualisierten wissenschaftlich-klinischen Ereignis trainiert. Grundsätzlich fügt die endgültige Diagnose dem zeitlichen Basiswissen eine zusätzliche Information hinzu <math>Kb_t</math>.Dieses Modell unterscheidet sich wesentlich vom „maschinellen Lernen“ allein durch die Beobachtung der beiden Modelle in ihrer strukturellen Konfiguration (Abbildungen 1 und 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|'''Abbildung 3:''' Grafische Darstellung eines archetypischen KNN, in dem es in der ersten Phase der Initialisierung zu sehen ist, wo es fünf Eingabeknoten gibt<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> während im "RNC"-Modell die erste Stufe aus nur einem Knoten besteht. Text folgen. ]]Abbildung 3 zeigt ein typisches neuronales Netzwerk, auch bekannt als künstliche NNs. Diese künstlichen NNs versuchen, mehrere Berechnungsebenen zu verwenden, um das Konzept nachzuahmen, wie das menschliche Gehirn Informationen interpretiert und daraus Schlussfolgerungen zieht.<ref name=":1" />NNs sind im Wesentlichen mathematische Modelle, die entwickelt wurden, um komplexe und unterschiedliche Informationen zu verarbeiten, und die Nomenklatur dieses Algorithmus stammt von der Verwendung von synapsenähnlichen „Knoten“ im Gehirn.<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> Der Lernprozess eines NN kann überwacht oder unüberwacht sein. Ein neuronales Netzwerk soll überwacht lernen, wenn die gewünschte Ausgabe bereits zielgerichtet ist und durch Datentraining in das Netzwerk eingeführt wird, während ein nicht überwachtes NN keine solchen vorab identifizierten Zielausgaben hat und das Ziel darin besteht, ähnliche Einheiten in bestimmten Bereichen nahe beieinander zu gruppieren des Wertebereichs. Das überwachte Modul nimmt Daten (z. B. Symptome, Risikofaktoren, Bildgebung und Laborbefunde) zum Training bekannter Ergebnisse und sucht nach verschiedenen Kombinationen, um die am besten vorhersagbare Kombination von Variablen zu finden. NN weist bestimmten Kombinationen von Knoten mehr oder weniger Gewicht zu, um die Vorhersageleistung des trainierten Modells zu optimieren.<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]]'
-But let's see in detail how a 'RNC' is built
+Abbildung 1 hingegen entspricht dem vorgeschlagenen 'RNC'-Modell und es ist ersichtlich, wie die erste Phase der Erfassung aus einem einzigen Knoten besteht, während das 'Maschinelle Lernen' am ersten Knoten die mehr eingehenden Variablen hat größer die 'Vorhersage' im Ausgang. Wie erwähnt, sollte berücksichtigt werden, dass der erste Knoten von grundlegender Bedeutung ist, da er bereits von einem klinischen kognitiven Prozess abstammt, der die ' <math>\tau</math> Kohärenz Demarkator“, um erstmals eine Feldauswahl zu treffen. Aus dem Initialisierungsbefehl entwickelt sich das neuronale Netzwerk daher in einer Reihe von Zuständen, die aus einer großen Anzahl von Knoten bestehen, und endet dann bei einem ersten Schritt von einem oder zwei Knoten und wiederholt sich dann in einer anschließenden Schleife von mehreren Knoten, bis es im " letzter schlüssiger Knoten (Entschlüsselung des Codes). Der Initialisierungsprozess des ersten Knotens, des letzten und die Wiederholung der Schleife ist ausschließlich dem menschlichen kognitiven Prozess des Klinikers vorbehalten und nicht einem statistischen Automatismus des maschinellen Lernens, geschweige denn „versteckten“ Stadien. Alle offenen und geschlossenen Regelkreise müssen dem Arzt bekannt sein.
-== Cognitive Neural Network ==
+Aber lassen Sie uns im Detail sehen, wie ein 'RNC' aufgebaut ist
-In this paragraph it seems necessary to explain the clinical process followed with the support of the 'RNC' following step by step the cognitive queries to the network and the cognitive analysis performed on the data in response from the network. The map has also been shown in figure 4 with links to the network responses that can be viewed for more consistent documentation:
-* '''Coherence Demarcator <math>\tau</math>:''' As we have previously described, the first stap is a network analysis initialization command that derives, in fact, from a previous cognitive processing of the assertions in the dental context <math>\delta_n</math> and the neurological one <math>\gamma_n</math> to which the ' <math>\tau</math> Coherence Demarcator' gave absolute weight by effectively eliminating the dental context <math>\delta_n</math> from the process . From what emerges from the neurological assertions <math>\gamma_n</math> the 'State' of the Trigeminal Nervous System appears unstructured highlighting anomalies of the trigeminal reflexes for which the 'Initialization' command is the '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+&size=200 Trigeminal Reflex]' to go and test <nowiki/>the database (Pubmed).
+==Kognitives neuronales Netzwerk==
-*<nowiki/><nowiki/>'''1<sup>st</sup> loop open:''' This 'Initialize' command, therefore, is considered as initial input for the Pubmed database which responds with 2,466 clinical and experimental data available to the clinician. The opening of the first true cognitive analysis is elaborated precisely on the analysis of the first result of the 'RNC' corresponding to 'Trigeminal Reflex'. In this phase we realize that a discrete percentage of data reveal a correspondence between trigeminal reflex abnormalities and demyelination problems, therefore the 1<sup>st</sup> loop open will correspond to: '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+&size=200 Demyelinating neuropathy]<nowiki>''</nowiki> which will return 14 sensitive data. Behind the choice of this key there is an active and dynamic cognitive process of the clinician. From the assertions in the neurological context, a neuropathic pathology was hypothesized in which the demyelinating aspect should also be consid<nowiki/><nowiki/>ered.
+In diesem Absatz scheint es notwendig, den klinischen Prozess zu erklären, der mit der Unterstützung des „RNC“ gefolgt wird, indem Schritt für Schritt die kognitiven Anfragen an das Netzwerk und die kognitive Analyse durchgeführt werden, die an den Daten als Antwort vom Netzwerk durchgeführt wird. Die Karte wurde auch in Abbildung 4 mit Links zu den Netzwerkantworten angezeigt, die für eine konsistentere Dokumentation angezeigt werden können:
-*'''2<sup>st</sup> loop o'''<nowiki/><nowiki/>'''pen:''' The process continues by focusing in ever greater detail on the keywords that correspond to our electrophysiological anomalous result data, i.e. the latency of the jaw jerk. This input corresponds to '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency Latency]' and returns 6 sensitive data on which to process a further iteration of the loop.
-*'''3<sup>st</sup> loop open:''' In the statements of the neurological context, an anomaly is also observed in the amplitude of the jaw jerk as well as in latency. This 3<sup>st</sup> open loop corresponds to '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency+amplitude Amplitude]' and returns only 2 data points on which to dwell to decide the keyword to reiterate the loop or definitively close the process. The result shows an article describing the electrophysiological evaluation of cranial neuropathies that was considered of low specific weight for our purposes while the other article highlights some trigeminal methodologies to test latency, amplitude of masticatory muscles including H-reflex .
-*'''4<sup>st</sup> loop closed:''' The process, therefore, continues by inserting the algorithmic keyword '[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex H-reflex] ' which returns 3,701 clinical scientific data.
-*'''5<sup>st</sup> loop open:''' The anomalies highlighted were mainly verified on the masseters so it can be deduced that keywords concerning the '[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle&size=200 Masseter muscle]' can be intercepted in the interrogated sample of the 4<sup>st</sup> closed loop, hence the 5<sup>st</sup>  open loop which returns 30 data available for the 'RNC'
-*'''6<sup>st</sup> loop open:''' We, however, do not know whether the neuropathic damage is localized exclusively on the masseter muscle or also involves the temporal muscle, therefore another algorithmic keyword would be the '[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle+temporal+muscle&size=200 Temporal muscle]' which returns 8 sensitive data.
-*'''7<sup>st</sup> loop open:''' From a careful analysis of this 7th open loop one wonders if these electrophysiological anomalies can be highlighted in patients with sclerosis and being present in the patient's clinical history, a previous diagnosis of 'Morphea' it was opted to interrogate the 'Network' of a further keyword and focused on 'Sclerosis' which gave only one sensitive data 'heteronymous H-refex on the temporalis muscle in patients with Amyotrophic Lateral Sclerosis.
-*Da una analisi acurata di questo 7<sup>st</sup> loop open ci si domanda se queste anomalie elettrofisiologiche possano essere evidenziate nei pazienti con sclerosis ed essendo presente nella storia clinica della paziente, una precedente diagnosi di 'Morfea' si è optato per interrogare la 'Rete' di un ulteriore keyword e focalizzata in 'Sclerosi' che ha dato un solo dato sensibile '[https://pubmed.ncbi.nlm.nih.gov/31164256/ Heteronymous H reflex in temporal muscle as sign of hyperexcitability in ALS patients]
-*'''8<sup>st</sup> loop closed:''' In this single node the clinician could terminate the loop but would not have solved anything because the decoding of the encrypted message has not yet been achieved. It should be noted that the electrophysiological method called 'heteronomous H-reflex' is able to highlight response anomalies from the temporal muscle for which the loop was continued by inserting the following specific keyword, ' [https://pubmed.ncbi.nlm.nih.gov/?term=Temporal+muscle+abnormal+response&size=200 Temporal muscle abnormal response]' which returns 137 data.
-*'''9<sup>st</sup> loop open:''' By studying the 137 articles that appeared in Pubmed, the clinician intuits that the response abnormalities in the temporal muscle through the H-reflex test depend on a spread of the stimulus current in the unstructured arson and therefore further investigates the loop by interrogating the network for a further keyword the 'Lateral hope impulses' which definitively closes the cognitive process of the 'Neural Network' with a close article to our clinical hypotheses concerning the patient Mary Poppins and that is '[https://pubmed.ncbi.nlm.nih.gov/27072096/ '''Ephaptic transmission''' is the origin of the abnormal muscle response seen in hemifacial spasm]'<center>[[File:Immagine 17-12-22 alle 11.44.jpeg|center|600x600px|thumb|'''Figure 4:''' The active links of the 'RNC' highlighted in the template correspond to the 'Pubmed' database and can be documented.]]
+* '''Kohärenz Demarkator <math>\tau</math>:'''Wie wir zuvor beschrieben haben, ist der erste Schritt ein Netzwerkanalyse-Initialisierungsbefehl, der sich tatsächlich aus einer vorherigen kognitiven Verarbeitung der Behauptungen im zahnmedizinischen Kontext ableitet <math>\delta_n</math> und die neurologische <math>\gamma_n</math> zu denen die ' <math>\tau</math> Kohärenz Demarcator' gab absolutes Gewicht, indem er den dentalen Kontext effektiv eliminierte <math>\delta_n</math> aus dem Prozess. Aus dem, was aus den neurologischen Behauptungen hervorgeht <math>\gamma_n</math>Der „Zustand“ des Trigeminusnervensystems erscheint unstrukturiert und hebt Anomalien der Trigeminusreflexe hervor, für die der Befehl „Initialisierung“ gilt [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+&size=200 Trige]<nowiki/>[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+&size=200 minusreflex]' gehen und die Datenbank testen (Pubmed).
+*<nowiki/><nowiki/>'''1. offene Schleife''': Dieser Befehl „Initialisieren“ wird daher als anfängliche Eingabe für die Pubmed-Datenbank betrachtet, die mit 2.466 klinischen und experimentellen Daten antwortet, die dem Kliniker zur Verfügung stehen. Die Eröffnung der ersten echten kognitiven Analyse wird genau auf die Analyse des ersten Ergebnisses des „RNC“ entsprechend dem „Trigeminalreflex“ ausgearbeitet. In dieser Phase stellen wir fest, dass ein diskreter Prozentsatz der Daten eine Übereinstimmung zwischen Anomalien des Trigeminusreflexes und Demyelinisierungsproblemen aufzeigt, daher entspricht die erste offene Schleife: '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+&size=200 Demyelinisierende Neuropathie]<nowiki>''</nowiki> die 14 sensible Daten zurückgibt. Hinter der Wahl dieses Schlüssels steht ein aktiver und dynamischer kognitiver Prozess des Klinikers. Aus den Behauptungen im neurologischen Kontext wurde eine neuropathische Pathologi<nowiki/><nowiki/>e vermutet, bei der auch der demyelinisierende Aspekt berücksichtigt werden sollte.
+*'''2. Schleif'''<nowiki/><nowiki/>'''e offen:''' Der Prozess wird fortgesetzt, indem immer detaillierter auf die Schlüsselwörter fokussiert wird, die unseren elektrophysiologischen anomalen Ergebnisdaten entsprechen, dh der Latenz des Kieferrucks. Diese Eingabe entspricht '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency Latenz]' und gibt 6 sensible Daten zurück, auf denen eine weitere Iteration der Schleife verarbeitet werden soll.
+*'''3. Schleife offen''': In den Aussagen des neurologischen Zusammenhangs wird auch eine Anomalie in der Amplitude des Kieferrucks sowie in der Latenz beobachtet. Diese 3. offene Schleife entspricht '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency+amplitude Amplitude]' und gibt nur 2 Datenpunkte zurück, auf denen verweilt werden muss, um das Schlüsselwort zu entscheiden, um die Schleife zu wiederholen oder den Prozess endgültig zu schließen. Das Ergebnis zeigt einen Artikel, der die elektrophysiologische Bewertung von kranialen Neuropathien beschreibt, die für unsere Zwecke als von geringem spezifischem Gewicht angesehen wurden, während der andere Artikel einige trigeminale Methoden zum Testen von Latenz, Amplitude der Kaumuskulatur, einschließlich des H-Reflexes, hervorhebt.
+*'''4. Schleife geschlossen''': Der Prozess wird daher fortgesetzt, indem das algorithmische Schlüsselwort eingefügt wird '[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex H-Reflex] ', die 3.701 klinisch-wissenschaftliche Daten zurückgibt.
+*'''5. Schleife offen''': Die hervorgehobenen Anomalien wurden hauptsächlich an den Massetern verifiziert, sodass abgeleitet werden kann, dass Schlüsselwörter bezüglich der '[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle&size=200 Masseter-Muskel]'kann in der abgefragten Probe der 4. geschlossenen Schleife abgefangen werden, daher die 5. offene Schleife, die 30 Daten zurückgibt, die für die 'RNC' verfügbar sind
+*'''6. Schleife offen''': Wir wissen allerdings nicht, ob die neuropathische Schädigung ausschließlich am Massetermuskel lokalisiert ist oder auch den Schläfenmuskel betrifft, daher wäre ein weiteres algorithmisches Stichwort die '[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle+temporal+muscle&size=200 Schläfenmuskel]' die 8 sensible Daten zurückgibt.
+*'''7. offene Schleife''': Bei einer sorgfältigen Analyse dieser 7. offenen Schleife fragt man sich, ob diese elektrophysiologischen Anomalien bei Patienten mit Sklerose hervorgehoben werden können und in der Krankengeschichte des Patienten vorhanden sind, eine frühere Diagnose von „Morphea“, es wurde entschieden, das „Netzwerk“ zu befragen ' eines weiteren Schlüsselworts und konzentrierte sich auf 'Sklerose', die nur einen sensiblen Datenwert lieferte, 'heteronymer H-Referenz am Schläfenmuskel bei Patienten mit amyotropher Lateralsklerose'.
+*Bei einer sorgfältigen Analyse dieser 7. offenen Schleife fragt man sich, ob diese elektrophysiologischen Anomalien bei Patienten mit Sklerose hervorgehoben werden können und in der Krankengeschichte des Patienten vorhanden waren, eine frühere Diagnose von „Morphea“ es wurde entschieden, das „Netzwerk“ eines anderen zu befragen Schlüsselwort konzentrierte sich auf „Sklerose“, das nur eine sensible Information lieferte '[https://pubmed.ncbi.nlm.nih.gov/31164256/ Heteronymer H-Reflex im Schläfenmuskel als Zeichen der Übererregbarkeit bei ALS-Patienten]
+*'''8. Schleife geschlossen''': In diesem einzelnen Knoten könnte der Kliniker die Schleife beenden, hätte aber nichts gelöst, da die Decodierung der verschlüsselten Nachricht noch nicht erreicht wurde. Es sei darauf hingewiesen, dass die elektrophysiologische Methode mit der Bezeichnung „heteronomer H-Reflex“ in der Lage ist, Anomalien der Reaktion des Schläfenmuskels hervorzuheben, für den die Schleife fortgesetzt wurde, indem das folgende spezifische Schlüsselwort eingefügt wird:' [https://pubmed.ncbi.nlm.nih.gov/?term=Temporal+muscle+abnormal+response&size=200 Abnormale Reaktion des Schläfenmuskels]' die 137 Daten zurückgibt.
+*'''9. Schleife offen''': Durch das Studium der 137 Artikel, die in Pubmed erschienen sind, vermutet der Kliniker, dass die Reaktionsanomalien im Schläfenmuskel durch den H-Reflex-Test von einer Streuung des Reizstroms bei der unstrukturierten Brandstiftung abhängen, und untersucht daher die Schleife weiter das Netzwerk nach einem weiteren Schlüsselwort befragen, den 'Lateralen Hoffnungsimpulsen', das den kognitiven Prozess des 'Neuralen Netzwerks' mit einem nahen Artikel zu unseren klinischen Hypothesen bezüglich der Patientin Mary Poppins endgültig abschließt und das ist '[https://pubmed.ncbi.nlm.nih.gov/27072096/ Die ephaptische Übertragung ist der Ursprung der abnormalen Muskelreaktion, die bei Hemifacial Spasmen beobachtet wird]'<center>[[File:Immagine 17-12-22 alle 11.44.jpeg|center|600x600px|thumb|'''Abbildung 4:''' Die in der Vorlage hervorgehobenen aktiven Links der „RNC“ entsprechen der Datenbank „Pubmed“ und können dokumentiert werden.]]
 <center></center>
-== Conclusion ==
+==Abschluss==
-As demonstrated, the definition of 'Emasticatory spasm' in our patient Mary Poppins was not a clinically simple process, however, considering the topics presented in the previous chapters of Masticationpedia we have at least three elements of support available:
+Wie gezeigt, war die Definition von „Emasticatory spasm“ bei unserer Patientin Mary Poppins kein klinisch einfacher Prozess, aber unter Berücksichtigung der Themen, die in den vorherigen Kapiteln von Masticationpedia vorgestellt wurden, stehen uns mindestens drei Elemente zur Unterstützung zur Verfügung:
-# A vision of 'Quantum Probability' of physical-chemical phenomena in complex biological systems which will be discussed extensively in the specific chapters.
+#Eine Vision der „Quantenwahrscheinlichkeit“ von physikalisch-chemischen Phänomenen in komplexen biologischen Systemen, die ausführlich in den spezifischen Kapiteln diskutiert werden.
-# A more formal and less vague language than the natural language that directs the diagnostic analysis to the first input node of the 'RNC' through the '<math>\tau</math> Coherence Demarcator' described in the chapter '[[1° Clinical case: Hemimasticatory spasm - en|1st Clinical case: Hemimasticatory spasm]]'
+#Eine formellere und weniger vage Sprache als die natürliche Sprache, die die diagnostische Analyse durch die an den ersten Eingabeknoten des 'RNC' leitet '<math>\tau</math> Kohärenz Demarkator' im Kapitel beschrieben '[[1° Clinical case: Hemimasticatory spasm - en|1. Klinischer Fall: Hemimastikatorischer Spasmus]]'
-# The 'RNC' process which, being managed and guided exclusively by the clinician, becomes an essential means for the definitive diagnosis.
+#Der „RNC“-Prozess, der ausschließlich vom Kliniker verwaltet und geleitet wird, wird zu einem wesentlichen Mittel für die endgültige Diagnose.
-The 'RNC', in fact, is the result of a profound cognitive process that is performed on each step of the analysis in which the clinician weighs his intuitions, clarifies his doubts, evaluates the reports, considers the contexts and advances step by step confronting the result of the answer coming from the database which in our case is Pubmed which substantially represents the current level of basic knowledge <math>KB_t</math>at question time and the <math>KB_c</math> in the broadest specialist contexts.
+Der „RNC“ ist in der Tat das Ergebnis eines tiefgreifenden kognitiven Prozesses, der bei jedem Schritt der Analyse durchgeführt wird, in dem der Kliniker seine Intuitionen abwägt, seine Zweifel klärt, die Berichte bewertet, die Kontexte berücksichtigt und Schritt für Schritt vorgeht das Ergebnis der Antwort aus der Datenbank, in unserem Fall Pubmed, die im Wesentlichen den aktuellen Stand des Grundwissens darstellt <math>KB_t</math>zur Fragestunde und die<math>KB_c</math> in den breitesten Fachkontexten.
-A linear representation of this cognitive process labeled as <math>RNC_1 </math>with the necessary annotations it could be the following:<blockquote>
+Eine lineare Darstellung dieses kognitiven Prozesses, der als bezeichnet wird <math>RNC_1 </math>mit den notwendigen annotationen könnte es folgendes sein:<blockquote>
-<math>RNC_1=\sum ( </math>[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+&size=200 Trigeminal Reflex],[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+&size=200 Demyelinating neuropathy], [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency Latency],[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency+amplitude Amplitude],[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex '''H-reflex'''], [https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle&size=200 Masseter muscle], [https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle+temporal+muscle&size=200 Temporal muscle], [https://pubmed.ncbi.nlm.nih.gov/31164256/ Heteronymous H reflex in temporal muscle as sign of hyperexcitability in ALS patients],[https://pubmed.ncbi.nlm.nih.gov/?term=Temporal+muscle+abnormal+response&size=200 Temporal muscle abnormal response]<math>)</math><math>\longrightarrow</math>[https://pubmed.ncbi.nlm.nih.gov/27072096/ '''Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm''']</blockquote>There are essentially two annotations to note: the first is the mandatory identification of the initialization input that derives from the context chosen through the '<math>\tau</math> Coherence Demarcator' and the second the order of the cognitively selected keywords.
+<math>RNC_1=\sum ( </math>[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+&size=200 Trigeminusreflex],[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+&size=200 Demyelinisierende Neuropathie], [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency Latenz],[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency+amplitude Amplitude],[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex '''H-Reflex'''], [https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle&size=200 Masseter-Muskel], [https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle+temporal+muscle&size=200 Schläfenmuskel], [https://pubmed.ncbi.nlm.nih.gov/31164256/ Heteronymer H-Reflex im Schläfenmuskel als Zeichen der Übererregbarkeit bei ALS-Patienten],[https://pubmed.ncbi.nlm.nih.gov/?term=Temporal+muscle+abnormal+response&size=200 Abnormale Reaktion des Schläfenmuskels]<math>)</math><math>\longrightarrow</math>[https://pubmed.ncbi.nlm.nih.gov/27072096/ '''Die ephaptische Übertragung ist der Ursprung der abnormalen Muskelreaktion, die bei Hemifacial Spasmen beobachtet wird''']</blockquote>Es sind im Wesentlichen zwei Anmerkungen zu beachten: Die erste ist die obligatorische Identifizierung der Initialisierungseingabe, die sich aus dem durch die ausgewählten Kontext ergibt '<math>\tau</math> Kohärenz Demarkator' und zweitens die Reihenfolge der kognitiv ausgewählten Schlüsselwörter.
-{{Q2|In fact, what happens to the 'RNC' if we consider the dental context by inserting the keyword 'Temporomandibular Disorders' as an initialization input, keeping everything else unchanged?}}
+{{Q2|Was passiert in der Tat mit dem „RNC“, wenn wir den zahnmedizinischen Kontext berücksichtigen, indem wir das Schlüsselwort „temporomandibuläre Störungen“ als Initialisierungseingabe einfügen und alles andere unverändert lassen?}}
-By marking the network as <math>RNC_2 </math> with a dental initialization input ( Temporomandibular disorders) as follows:
+Durch Markieren des Netzwerks als <math>RNC_2 </math> mit einem zahnärztlichen Initialisierungseingang ( Kiefergelenkserkrankungen) wie folgt:
-<blockquote><math>RNC_2=\sum ( </math>[https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+&filter=dates.1970-2022 Temporomandibular Disorders],[https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+trigeminal+reflex&filter=dates.1970-2022 Trigeminal reflex],  [https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+trigeminal+reflex+Demyelinatying+neuropathy&filter=dates.1970-2022 Demyelinaying neuropathy], [https://pubmed.ncbi.nlm.nih.gov/1520092/ Latency<math>\longrightarrow</math>'''Side asymmetry of the jaw jerk in human craniomandibular dysfunction''']</blockquote>The message is corrupted, as explained above regarding the mathematical formula, as the initialization command input ( Tempormandibular disorders) directs the network for a set of data, no less than 20,514, which lose connections with a part of subsets. While maintaining the rest of the RNC similar to the previous one (neurological context) the network stops at the keyword 'latency' showing only one scientific article which obviously concerns the latency of the jaw jerk but not related to neuropathic disorders. (figure 5) The error in the choice of the initialization command input of the <math>RNC </math> process not only corrupts the message to be decrypted but renders vain all the upstream work of analysis of the clinical assertions discussed in the chapters of language logic.
+<blockquote><math>RNC_2=\sum ( </math>[https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+&filter=dates.1970-2022 Temporomandibuläre Erkrankungen],[https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+trigeminal+reflex&filter=dates.1970-2022 Trigeminusreflex],  [https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+trigeminal+reflex+Demyelinatying+neuropathy&filter=dates.1970-2022 Demyelinisierende Neuropathie], [https://pubmed.ncbi.nlm.nih.gov/1520092/ Latency<math>\longrightarrow</math>'''Side asymmetry of the jaw jerk in human craniomandibular dysfunction''']</blockquote>Die Nachricht ist, wie oben in Bezug auf die mathematische Formel erläutert, beschädigt, da die Initialisierungsbefehlseingabe (tempormandibuläre Störungen) das Netzwerk für einen Satz von Daten leitet, nicht weniger als 20.514, die Verbindungen mit einem Teil von Untersätzen verlieren. Während der Rest des RNC dem vorherigen ähnlich bleibt (neurologischer Kontext), hält das Netzwerk beim Schlüsselwort „Latenz“ an und zeigt nur einen wissenschaftlichen Artikel, der offensichtlich die Latenz des Kieferruckens betrifft, sich aber nicht auf neuropathische Störungen bezieht. (Abbildung 5) Der Fehler bei der Wahl der Initialisierungsbefehlseingabe des <math>RNC </math> Dieser Prozess verdirbt nicht nur die zu entschlüsselnde Nachricht, sondern macht auch die gesamte vorgelagerte Arbeit der Analyse der klinischen Behauptungen, die in den Kapiteln der Sprachlogik besprochen wurden, umsonst.
-[[File:Temporomandibular disorders trigeminal reflex demyelinatying neuropathy latency amplitude.jpg|center|thumb|'''Figure 5:''' Ending the 'RNC' loop with an initialization input of 'Tempororomandibular Disorders']]
+[[File:Temporomandibular disorders trigeminal reflex demyelinatying neuropathy latency amplitude.jpg|center|thumb|'''Abbildung 5:''' Beenden der „RNC“-Schleife mit einer Initialisierungseingabe von „Temporomandibular Disorders“]]
-However, changing the order of the keywords in an exact cognitive path such as the neurological one essentially returns the same results as the previous one provided that the initialization command input is perfectly centred, as can be seen in the following simulation labeled with <math>RNC_3 </math>:
+Das Ändern der Reihenfolge der Schlüsselwörter in einem exakten kognitiven Pfad wie dem neurologischen liefert jedoch im Wesentlichen die gleichen Ergebnisse wie der vorherige, vorausgesetzt, dass die Eingabe des Initialisierungsbefehls perfekt zentriert ist, wie in der folgenden mit gekennzeichneten Simulation zu sehen ist <math>RNC_3 </math>:
-<math>RNC_3=\sum ( </math>[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+ Trigeminal reflex], [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude amplitude] [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency latency] [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency+Demyelinating+neuropathy demyelinating neuropathy] <math>\longrightarrow</math> [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency+Demyelinating+neuropathy '''H-reflex''']................
+<math>RNC_3=\sum ( </math>[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+ Trigeminusreflex], [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude Amplitude] [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency Latenz] [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency+Demyelinating+neuropathy demyelinisierende Neuropathie] <math>\longrightarrow</math> [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency+Demyelinating+neuropathy '''H-Reflex''']................
-and reconnects to the previous one until closing in the output 'Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm' (Figure 6)
+und verbindet sich wieder mit dem vorherigen bis zum Schließen in der Ausgabe „Ephaptische Übertragung ist der Ursprung der abnormalen Muskelreaktion, die bei hemifazialem Spasmus zu sehen ist“ (Abbildung 6)
-[[File:Ephaptic trasmission.jpg|center|thumb|'''Figure 6:''' Process of 'RNC' with order of keywords changed. ]]
+[[File:Ephaptic trasmission.jpg|center|thumb|'''Abbildung 6:''' Prozess von 'RNC' mit geänderter Reihenfolge der Schlüsselwörter. ]]
-Note that if this chapter had been published in an impacted international scientific journal (Inpact Factor) it would <math>KB_t</math>and contextually a hypothetical 'machine learning' would have been enriched with a new content or that of the diagnosis of 'Hemimasticatory spasm' defined following the electrophysiological method of the heteronymous H-reflex. This conclusion will come in handy when we repeat the same procedure for other clinical cases in which the <math>KB_t</math>is updated to the database output.
+Beachten Sie, dass dies der Fall wäre, wenn dieses Kapitel in einer betroffenen internationalen wissenschaftlichen Zeitschrift (Impact Factor) veröffentlicht worden wäre <math>KB_t</math>und kontextuell wäre ein hypothetisches „maschinelles Lernen“ mit einem neuen Inhalt angereichert worden oder der Diagnose „Hemimastikatorischer Spasmus“, definiert nach der elektrophysiologischen Methode des heteronymen H-Reflexes. Diese Schlussfolgerung wird sich als nützlich erweisen, wenn wir dasselbe Verfahren für andere klinische Fälle wiederholen, in denen die <math>KB_t</math>wird auf die Datenbankausgabe aktualisiert.
-To learn more about the methodological description of the 'Heteronimous H-Reflex', the reader is invited to follow [[Appendix 1]].
+Um mehr über die methodische Beschreibung des „Heteronimous H-Reflex“ zu erfahren, wird der Leser eingeladen, ihm zu folgen
+{{bib}}
-=== Bibliography ===
 <references />