Masticationpedia

Difference between revisions of "Code crypté : transmission éphaptique"

Page Discussion
Tags: Mobile web edit Mobile edit Visual edit
 
(5 intermediate revisions by the same user not shown)
Line 14: Line 14:
  }}
  }}
[[File:Rete neurale completa1-2.png|left|frameless]]
[[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.
Le terme 'Cognitive Neural Network' abrégé en 'RNC' est un processus intellectuel cognitif dynamique du clinicien qui interroge le réseau pour l'autoformation. Le 'RNC' n'est pas un 'Machine Learning' car alors que ce dernier doit être formé par le clinicien, avec des ajustements statistiques et prédictifs, le 'RNC' forme le clinicien ou plutôt oriente le clinicien vers le diagnostic tout en étant toujours questionné suivant une logique humain, d'où le terme « cognitif ». Comme démontré, la définition du « spasme émasticatoire » chez notre patiente Mary Poppins n'était pas un processus cliniquement simple, cependant, compte tenu des thèmes présentés dans les chapitres précédents de Masticationpedia, nous avons au moins trois éléments de soutien disponibles : une vision de la « probabilité quantique » des phénomènes physico-chimiques dans les systèmes biologiques complexes qui seront largement discutés dans les chapitres spécifiques ; un langage plus formel et moins vague que le langage naturel qui oriente l'analyse diagnostique vers le premier nœud d'entrée du 'RNC' à travers le ' '<math>\tau</math> Démarcateur de cohérence' décrit dans le chapitre '1st Clinical case: Hemimasticatory spasm' ; le processus « RNC » qui, étant géré et guidé exclusivement par le clinicien, devient un moyen essentiel pour le diagnostic définitif. Le 'RNC', en effet, est le résultat d'un processus cognitif profond qui s'effectue à chaque étape de l'analyse dans laquelle le clinicien pèse ses intuitions, clarifie ses doutes, évalue les rapports, considère les contextes et avance pas à pas en se confrontant le résultat de la réponse provenant de la base de données qui dans notre cas est Pubmed et qui représente substantiellement le niveau actuel des connaissances de base <math>KB_t</math> au moment de la requête et <math>KB_c</math> dans les contextes spécialisés plus larges.




Line 26: Line 26:


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


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


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}}
L'une des limites de l'apprentissage automatique est donc connue sous le nom de "décalage de données",<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> ou "mouvement de données" et une autre cause sous-jacente de l'échec de certains modèles en dehors du laboratoire, est la "sous-spécification"<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> à tel point que la tentative de construire un système de dossier médical électronique (DME) amélioré par algorithme, conçu spécifiquement pour être utilisé dans un centre de cancérologie, a été un échec notable pour un coût estimé à 39 000 000 USD. Cet effort était un partenariat de 2012 entre M.D. Anderson Partners et IBM Watson à Houston, Texas.<ref>Herper M. MD Anderson benches IBM Watson in setback for artificial intelligence in medicine. Forbes. 2017 February 19. [Ref list]</ref>Les premières nouvelles promotionnelles décrivant le projet indiquaient que le plan était de combiner des données génétiques, des rapports de pathologie avec des notes de médecins et des articles de revues pertinents pour aider les médecins à proposer des diagnostics et des traitements. Cependant, cinq ans plus tard, en février 2017, M.D. Anderson a annoncé qu'il avait clos le projet car, après plusieurs années d'essais, il n'avait pas produit d'outil à utiliser avec les patients qui était prêt à aller au-delà des tests pilotes.{{q2|Fascinant et provocant, expliquez-moi en détail|... le modèle est essentiellement simple dans sa complexité cognitive}}


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.
Essentiellement, le message crypté en langage machine envoyé par le système nerveux central au cours des 10 années de maladie de notre patiente Mary Poppins a été interprété par le langage verbal comme une douleur orofaciale due à des troubles temporo-mandibulaires. Nous avons remarqué à plusieurs reprises, cependant, que le langage verbal humain est déformé par le flou et l'ambiguïté donc, n'étant pas un langage formel, comme le langage mathématique, il peut générer des erreurs de diagnostic. Le message en langage machine envoyé par le Système Nerveux Central à rechercher n'est pas la douleur (la douleur est un langage verbal) mais l'anomalie de "l'Etat du Système" dans lequel se trouvait l'organisme à cette période de temps. D'où le passage de la sémiotique du symptôme et du signe clinique à la « logique du système » qui, à travers les modèles de la « théorie des systèmes », quantifie les réponses du système aux stimuli entrants, même chez les sujets sains.


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:
Tout cela est répliqué dans le modèle 'RNC' proposé en divisant le processus en déclencheurs entrants (Input) et en données sortantes (Output) pour ensuite être réitéré dans une boucle gérée cognitivement par le clinicien jusqu'à la génération d'un nœud unique utile pour la diagnostic définitif. Le modèle se décompose essentiellement comme suit :
 
* '''Input''' : Par déclencheur entrant, nous entendons le processus cognitif que le clinicien met en œuvre en fonction des considérations reçues des énoncés précédents, comme cela a été souligné dans les chapitres concernant la « Logique du langage médical ». Dans notre cas, à travers le 'Consistency Demarcator <math>\tau</math>,le contexte neurologique a été défini comme adapté au lieu de celui dentaire poursuivant une explication diagnostique clinique des TMD. Ce déclencheur est d'une importance primordiale car il permet au clinicien de centrer la commande de lancement de l'analyse du réseau qui va connecter un large échantillon de données correspondant au déclencheur défini. A cette commande initiale essentielle, en tant que clé de déchiffrement algorithmique, s'ajoute la dernière commande de fermeture qui est tout aussi importante car elle dépend de l'intuition du clinicien qui considérera le processus de déchiffrement comme terminé. Sur la figure 1, la structure du « RNC » est représentée dans laquelle la différence entre les structures de réseau neuronal plus courantes dans lesquelles la première étape est structurée avec un nombre élevé de variables d'entrée peut être notée. Dans notre 'RNC' la première étape correspond uniquement à un nœud et précisément à la commande d'initialisation de l'analyse réseau appelée 'Consistency Demarcator <math>\tau</math>', les boucles suivantes du réseau, qui permettent au clinicien de terminer ou de réitérer le réseau, (1ère boucle ouverte, 2ème boucle ouverte,......nère boucle ouverte) sont déterminantes pour conclure le processus de déchiffrement ( Code Décrypté ). Cette étape sera expliquée plus en détail plus loin dans le chapitre.
* '''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:'''Représentation graphique du 'RNC' proposée par Masticationpedia|thumb]]
[[File:Immagine 17-12-22 alle 11.34.jpeg|center|500x500px|'''Figure 1:'''Graphical representation of the 'RNC' proposed by Masticationpedia|thumb]]




<center></center>
<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.
* '''Sortie''' : Les données sortantes du réseau, qui correspondent sensiblement à une requête de déclenchement cognitif précise, renvoient un grand nombre de données classées et corrélées au mot-clé demandé. Le clinicien devra consacrer du temps et de la concentration pour continuer à déchiffrer le code machine. En fait, nous avons été témoins de la manière dont, suivant les indications dictées par des critères de recherche tels que les « critères de diagnostic de la recherche » (RDC), notre patiente Mary Poppins a été immédiatement classée dans la catégorie des « TMD » et nous avons également suggéré un moyen d'étendre les capacités de diagnostic dans la dentisterie à travers un modèle « flou » qui permettrait de se situer dans des contextes autres que le sien. Cela montre la complexité à faire des diagnostics différentiels et les difficultés à suivre une feuille de route sémiotique classique car nous sommes trop ancrés au langage verbal et trop peu à une culture quantique des systèmes biologiques. Cela confine à la notion de langage machine et de commande initiale de déchiffrement que nous expliquerons brièvement dans le paragraphe suivant.


=== Initiation command ===
=== Commande d'initiation ===
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:  
Fou imaginons un instant que le cerveau parle le langage d'un ordinateur et non l'inverse comme c'est le cas en ingénierie, pour distinguer la différence précitée entre le langage machine et le langage verbal humain. Pour écrire une phrase, un mot ou une formule, l'ordinateur n'utilise pas le mode verbal classique (alphabet) ou le mode décimal (chiffres) avec lesquels on écrit des formules mathématiques mais son propre code de langage "d'écriture" appelé code html pour le web . Prenons comme exemple l'écriture d'une formule assez complexe, elle est présentée à notre cerveau dans le langage verbal avec lequel nous avons appris à lire une équation mathématique, sous la forme suivante :  


<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)
<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>et imaginons, en laissant vagabonder notre esprit, que cette formule corresponde au message du Système Nerveux Central, tel que nous l'avons anticipé, et notamment dans la 'Transmission Ephaptique' encore à décrypter</blockquote>L'ordinateur et donc le cerveau, pour notre exemple métaphorique, ne connaît pas le langage verbal ou plutôt ce n'est qu'une convention générée pour simplifier la communication naturelle, il en a plutôt la sienne avec laquelle écrire la formule mentionnée et dans le langage textuel wiki ( avec l'extension .php) ressemble à ceci, représenté dans la figure 2 :                <blockquote>[[File:Codice mod.png|alt=|center|frame|'''Figura 2:''' Texte wiki d'une formule mathématique. Notez la commande d'initialisation <nowiki><math> et la commande de sortie de script </math></nowiki>]]


as you can see it has nothing to do with verbal language and in fact, the brain has its own machine language made up not of vowels, consonants and numbers but of action potentials, wave packets, frequencies and amplitudes, electric populations , etc. what we simply observe in an electroencephalographic tracing (EEG) and which represents, precisely, the electromagnetic fields on the scalp of the activity of the dipoles and the cerebral ionic currents that propagate in the encephalic volume. </blockquote>
comme vous pouvez le voir cela n'a rien à voir avec le langage verbal et en fait, le cerveau a son propre langage machine composé non pas de voyelles, de consonnes et de nombres mais de potentiels d'action, de paquets d'ondes, de fréquences et d'amplitudes, de populations électriques, etc. on observe simplement dans un tracé électroencéphalographique (EEG) et qui représente, précisément, les champs électromagnétiques sur le cuir chevelu de l'activité des dipôles et les courants ioniques cérébraux qui se propagent dans le volume encéphalique. </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>
L'histoire, cependant, ne s'arrête pas là car il s'agit d'un langage d'écriture qui n'a rien à voir avec l'interprétation du matériel informatique et donc avec la structure organique du cerveau composée de centres aux fonctions spécialisées, synaptiques, circuits polysynaptiques et autres autres . Ce langage d'écriture dérive donc d'un langage machine qui n'est pas modélisé dans la commande '<nowiki><math>' plutôt que'+2\sum_{\alpha_1'} mais dérive d'un langage binaire converti ultérieurement en code d'écriture html. Ceci est appelé "langage machine" pour l'ordinateur et le cerveau et peut être simulé comme suit</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>Mais que se passe-t-il si la chaîne suivante 00101011 00110010 01011100 01110011 01110101 01101101qui correspond à la commande <nowiki><math> n'est pas présent dans ce code ?  </nowiki></blockquote>Le message serait corrompu et la formule ne serait pas générée faute de l'étape la plus importante celle de 'Initialisation du code de commande', ainsi que si l'on éliminait la dernière partie du code 01101100 01110000 01101000 01100001 01011111 00110010 00101001, correspondant à la fermeture du script < /math> la formule resterait corrompue et indéterminée.  


In practice, without the initial and final command, the formula is well described in the following form that is understandable to us:
En pratique, sans la commande initiale et finale, la formule est bien décrite sous la forme suivante qui nous est compréhensible :


<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)
<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>
P(B=\beta|a=\alpha_2)</math>


it would present itself in a way incomprehensible to most people.  
il se présenterait d'une manière incompréhensible pour la plupart des gens.  


+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)
+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.
De même que l'absence d'une partie du code binaire corrompt la représentation de la formule, de même le décryptage du langage machine du SNC est source de flou et d'ambiguïté du langage verbal et contextuellement d'erreur diagnostique.
=== Cognitive process ===
=== Processus cognitif ===
----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).
----Le cœur du modèle 'RNC' réside dans le processus cognitif référé exclusivement au clinicien qui est aux manettes alors que le réseau reste essentiellement la boussole qui avertit des dérives et/ou suggère d'autres voies alternatives mais la responsabilité décisionnelle renvoie toujours au clinicien (esprit humain). Dans cette simple définition, on le percevra mieux à la fin du chapitre, la synergie 'Réseau de neurones' et 'Processus cognitif humain' du clinicien sera auto-implémentée car d'une part le clinicien est formé ou mieux guidé par le réseau de neurones (base de données) et ce dernier sera formé sur le dernier événement scientifique-clinique mis à jour. Fondamentalement, le diagnostic définitif ajoutera une information supplémentaire à la connaissance de base temporelle <math>Kb_t</math>. Ce modèle diffère substantiellement du « machine learning » simplement en observant les deux modèles dans leur configuration structurelle (figures 1 et 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|Figure 3 : Représentation graphique d'un ANN archétypal dans lequel on peut le voir dans la première étape d'initialisation où il y a cinq nœuds d'entrée<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> tandis que dans le modèle 'RNC' le premier étage est composé d'un seul nœud. Suivez le texte. ]]La figure 3 montre un réseau de neurones typique, également connu sous le nom de NN artificiels. Ces NN artificiels tentent d'utiliser plusieurs couches de calculs pour imiter le concept de la façon dont le cerveau humain interprète et tire des conclusions à partir des informations.<ref name=":1" /> Les NN sont essentiellement des modèles mathématiques conçus pour gérer des informations complexes et disparates, et la nomenclature de cet algorithme provient de son utilisation de "nœuds" de type synapse dans le cerveau..<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> Le processus d'apprentissage d'un NN peut être supervisé ou non supervisé. On dit qu'un réseau de neurones apprend de manière supervisée si la sortie souhaitée est déjà ciblée et introduite dans le réseau par apprentissage des données alors que le NN non supervisé n'a pas de telles sorties cibles pré-identifiées et l'objectif est de regrouper des unités similaires proches les unes des autres dans certaines zones. de la plage de valeurs. Le module supervisé prend des données (par exemple, symptômes, facteurs de risque, imagerie et résultats de laboratoire) pour la formation sur les résultats connus et recherche différentes combinaisons pour trouver la combinaison de variables la plus prédictive. NN attribue plus ou moins de poids à certaines combinaisons de nœuds pour optimiser les performances prédictives du mode formél.<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.       
La figure 1, en revanche, correspond au modèle 'RNC' proposé et on voit comment la première étape d'acquisition est composée d'un seul nœud alors que le 'Machine learning' au premier nœud, plus les variables entrantes ont le plus la 'Prédiction' en sortie. Comme mentionné, il faut tenir compte du fait que le premier nœud est d'une importance fondamentale car il dérive déjà d'un processus cognitif clinique qui a conduit le' <math>\tau</math>Coherence Demarcator' pour déterminer un tout premier choix de champ. A partir de la commande d'initialisation, donc, le réseau de neurones évolue dans une série d'états composés d'un grand nombre de nœuds puis se termine à un premier pas d'un ou deux nœuds puis réitère dans une boucle ultérieure de plusieurs nœuds jusqu'à se terminer par le ' dernier noeud concluant (déchiffrement du code). Le processus d'initialisation du premier nœud, du dernier et de la réitération de la boucle est exclusif au processus cognitif humain du clinicien et non à un automatisme statistique d'apprentissage automatique, encore moins à des étapes 'cachées'. Toutes les boucles ouvertes et fermées doivent être connues du clinicien.       


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]]'
Pour plus d'informations sur le sujet, il est disponible sur Masticationpedia dans le chapitre 'An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain'


But let's see in detail how a 'RNC' is built
Mais voyons en détail comment un 'RNC' est construit


== Cognitive Neural Network ==
== Réseau de neurones cognitifs ==
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:
Dans ce paragraphe, il semble nécessaire d'expliquer le processus clinique suivi avec le support du 'RNC' en suivant pas à pas les requêtes cognitives au réseau et l'analyse cognitive effectuée sur les données en réponse du réseau. La carte a également été montrée dans la figure 4 avec des liens vers les réponses du réseau qui peuvent être consultés pour une documentation plus cohérente :


* '''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).
* '''Démarcateur de cohérence <math>\tau</math>:'''Comme nous l'avons décrit précédemment, la première étape est une commande d'initialisation de l'analyse de réseau qui découle, en fait, d'un traitement cognitif préalable des assertions dans le contexte dentaire <math>\delta_n</math> et celui neurologique <math>\gamma_n</math> à laquelle le ' <math>\tau</math> Coherence Demarcator' a donné un poids absolu en éliminant efficacement le contexte dentaire <math>\delta_n</math>du processus. De ce qui ressort des affirmations neurologiques <math>\gamma_n</math> l<nowiki>''Etat' du Système Nerveux Trijumeau apparaît non structuré mettant en évidence des anomalies des réflexes trijumeau pour lesquels la commande 'Initialisation' est la '</nowiki>[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+&size=200 Réflexe tri]<nowiki/>[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+&size=200 jumeau]' aller tester la base de données (Pubmed).
*<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.
*<nowiki/><nowiki/>'''1ère boucle ouverte''' : cette commande "Initialize" est donc considérée comme une entrée initiale pour la base de données Pubmed qui répond avec 2 466 données cliniques et expérimentales disponibles pour le clinicien. L'ouverture de la première vraie analyse cognitive s'élabore précisément sur l'analyse du premier résultat du 'RNC' correspondant au 'Réflexe Trijumeau'. Dans cette phase on se rend compte qu'un pourcentage discret de données révèle une correspondance entre les anomalies du réflexe trijumeau et les problèmes de démyélinisation, donc la 1ère boucle ouverte correspondra à : '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+&size=200 Neuropathie démyélinisante]<nowiki>''</nowiki> qui renverra 14 données sensibles. Derrière le choix de cette clé se cache un processus cognitif actif et dynamique du clinicien. A partir des affirmations dans le contexte neurologique, une pathologie neuropathique a été émise dans laquel<nowiki/><nowiki/>le l'aspect démyélinisant doit également être considéré.
*'''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.
*'''2ème boucl'''<nowiki/><nowiki/>'''e ouverte''' : Le processus se poursuit en s'attardant de plus en plus sur les mots-clés qui correspondent à nos données de résultats électrophysiologiques anormaux, c'est-à-dire la latence du réflexe mâchoire. Cette entrée correspond à '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency Latence]' et renvoie 6 données sensibles sur lesquelles traiter une nouvelle itération de la boucle.
*'''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 .
*'''3ème boucle ouverte''' : Dans les relevés du contexte neurologique, une anomalie est également observée dans l'amplitude du réflexe mâchoire ainsi que dans la latence. Cette 3ème boucle ouverte correspond à '[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency+amplitude Amplitude]' and ne renvoie que 2 points de données sur lesquels s'attarder pour décider du mot-clé pour réitérer la boucle ou fermer définitivement le processus. Le résultat montre un article décrivant l'évaluation électrophysiologique des neuropathies crâniennes qui était considérée comme de faible poids spécifique pour nos besoins tandis que l'autre article met en évidence certaines méthodologies du trijumeau pour tester la latence, l'amplitude des muscles masticateurs, y compris le réflexe H.
*'''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.
*'''4ème boucle fermée''' : Le processus continue donc en insérant le mot-clé algorithmique'[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex réflexe H] ' qui renvoie 3 701 données scientifiques cliniques.
*'''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'
*'''5ème boucle ouverte''' : Les anomalies mises en évidence ont été principalement vérifiées sur les masséters donc on peut en déduire que les mots-clés concernant le '[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle&size=200 Muscle masséter]' peut être intercepté dans l'échantillon interrogé de la 4ème boucle fermée, d'où la 5ème boucle ouverte qui renvoie 30 données disponibles pour le '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.
*'''6ème boucle ouverte''' : Nous ne savons cependant pas si le dommage neuropathique est localisé exclusivement sur le muscle masséter ou implique également le muscle temporal, donc un autre mot-clé algorithmique serait le'[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle+temporal+muscle&size=200 Muscle temporal]' qui renvoie 8 données sensibles.
*'''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.
*'''7ème boucle ouverte''' : A partir d'une analyse minutieuse de cette 7ème boucle ouverte on se demande si ces anomalies électrophysiologiques peuvent être mises en évidence chez les patients atteints de sclérose et étant présentes dans l'histoire clinique du patient, un diagnostic antérieur de 'Morphée' il a été choisi d'interroger le 'Réseau ' d'un autre mot-clé et axé sur 'Sclerosis' qui n'a fourni qu'une seule donnée sensible 'H-refex hétéronyme sur le muscle temporal chez les patients atteints de sclérose latérale amyotrophique.
*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]
*A partir d'une analyse minutieuse de cette 7ème boucle ouverte on se demande si ces anomalies électrophysiologiques peuvent être mises en évidence chez les patients atteints de sclérose et étant présentes dans l'histoire clinique du patient, un diagnostic antérieur de 'Morphée' il a été choisi d'interroger le 'Réseau' d'un autre mot-clé centré sur 'Sclerosis' qui n'a fourni qu'une seule donnée sensible '[https://pubmed.ncbi.nlm.nih.gov/31164256/ Réflexe H hétéronyme dans le muscle temporal comme signe d'hyperexcitabilité chez les patients SLA]
*'''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.
*'''8ème boucle fermée''' : Dans ce nœud unique, le clinicien pourrait terminer la boucle mais n'aurait rien résolu car le décodage du message crypté n'a pas encore été réalisé. A noter que la méthode électrophysiologique dite « réflexe H hétéronome » est capable de mettre en évidence des anomalies de réponse du muscle temporal pour lequel la boucle a été poursuivie en insérant le mot-clé spécifique suivant, ' [https://pubmed.ncbi.nlm.nih.gov/?term=Temporal+muscle+abnormal+response&size=200 Réponse anormale du muscle temporal]' qui renvoie 137 données.
*'''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.]]
*'''9ème boucle ouverte''' : En étudiant les 137 articles parus dans Pubmed, le clinicien a l'intuition que les anomalies de réponse dans le muscle temporal à travers le test du réflexe H dépendent d'une propagation du courant de stimulation dans l'incendie criminel non structuré et approfondit donc la boucle en interrogeant le réseau pour un mot-clé supplémentaire les 'Impulsions latérales d'espoir' qui clôt définitivement le processus cognitif du 'Réseau de neurones' avec un article proche de nos hypothèses cliniques concernant la patiente Mary Poppins et qui est '[https://pubmed.ncbi.nlm.nih.gov/27072096/ La transmission éphaptique est à l'origine de la réponse musculaire anormale observée dans le spasme hémifacial]'<center>[[File:Immagine 17-12-22 alle 11.44.jpeg|center|600x600px|thumb|Figure 4 : Les liens actifs du « RNC » mis en évidence dans le modèle correspondent à la base de données « Pubmed » et peuvent être documentés.]]




Line 96: Line 96:


== Conclusion ==
== Conclusion ==
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:
Comme démontré, la définition du «spasme émasticatoire» chez notre patiente Mary Poppins n'était pas un processus cliniquement simple, cependant, compte tenu des sujets présentés dans les chapitres précédents de Masticationpedia, nous avons au moins trois éléments de soutien disponibles :


# A vision of 'Quantum Probability' of physical-chemical phenomena in complex biological systems which will be discussed extensively in the specific chapters.
# Une vision de la « probabilité quantique » des phénomènes physico-chimiques dans les systèmes biologiques complexes qui sera largement discutée dans les chapitres spécifiques.
# 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]]'
# Un langage plus formel et moins vague que le langage naturel qui oriente l'analyse diagnostique vers le premier noeud d'entrée du 'RNC' via le '<math>\tau</math> Coherence Demarcator' décrit dans le chapitre'[[1° Clinical case: Hemimasticatory spasm - en|1er Cas clinique : Spasme hémimasticatoire]]'
# The 'RNC' process which, being managed and guided exclusively by the clinician, becomes an essential means for the definitive diagnosis.
# Le processus « RNC » qui, étant géré et guidé exclusivement par le clinicien, devient un moyen essentiel pour le diagnostic définitif.
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.  
Le 'RNC', en effet, est le résultat d'un processus cognitif profond qui s'effectue à chaque étape de l'analyse dans laquelle le clinicien pèse ses intuitions, clarifie ses doutes, évalue les rapports, considère les contextes et avance pas à pas en se confrontant le résultat de la réponse provenant de la base de données qui dans notre cas est Pubmed qui représente substantiellement le niveau actuel des connaissances de base <math>KB_t</math>à l'heure des questions et le <math>KB_c</math>dans les contextes spécialisés les plus larges.  


A linear representation of this cognitive process labeled as <math>RNC_1 </math>with the necessary annotations it could be the following:<blockquote>
Une représentation linéaire de ce processus cognitif étiqueté comme <math>RNC_1 </math>avec les annotations nécessaires, cela pourrait être le suivant :<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 Réflexe trijumeau],[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+&size=200 Neuropathie démyélinisante], [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency Latence],[https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+demyelinating+neuropathy+latency+amplitude Amplitude],[https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex '''réflexe H'''], [https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle&size=200 Muscle masséter], [https://pubmed.ncbi.nlm.nih.gov/?term=h+reflex+masseter+muscle+temporal+muscle&size=200 Muscle temporal], [https://pubmed.ncbi.nlm.nih.gov/31164256/ Réflexe H hétéronyme dans le muscle temporal comme signe d'hyperexcitabilité chez les patients SLA],[https://pubmed.ncbi.nlm.nih.gov/?term=Temporal+muscle+abnormal+response&size=200 Réponse anormale du muscle temporal]<math>)</math><math>\longrightarrow</math>[https://pubmed.ncbi.nlm.nih.gov/27072096/ '''La transmission éphaptique est à l'origine de la réponse musculaire anormale observée dans le spasme hémifacial''']</blockquote>Il y a essentiellement deux annotations à noter : la première est l'identification obligatoire de l'entrée d'initialisation qui dérive du contexte choisi par le '<math>\tau</math> Coherence Demarcator' et le second l'ordre des mots-clés sélectionnés cognitivement.


{{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|En fait, qu'advient-il du 'RNC' si l'on considère le contexte dentaire en insérant le mot-clé 'Temporo-Mandibular Disorders' comme entrée d'initialisation, en gardant tout le reste inchangé ?}}


By marking the network as <math>RNC_2 </math> with a dental initialization input ( Temporomandibular disorders) as follows:
En marquant le réseau comme <math>RNC_2 </math> avec une entrée d'initialisation dentaire (troubles temporo-mandibulaires) comme suit :


<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 Troubles temporo-mandibulaires],[https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+trigeminal+reflex&filter=dates.1970-2022 Réflexe trijumeau],  [https://pubmed.ncbi.nlm.nih.gov/?term=Temporomandibular+disorders+trigeminal+reflex+Demyelinatying+neuropathy&filter=dates.1970-2022 Neuropathie démyélinisante], [https://pubmed.ncbi.nlm.nih.gov/1520092/ Latence<math>\longrightarrow</math>'''Side asymmetry of the jaw jerk in human craniomandibular dysfunction''']</blockquote>Le message est corrompu, comme expliqué ci-dessus concernant la formule mathématique, car l'entrée de commande d'initialisation (Troubles tempormandibulaires) dirige le réseau pour un ensemble de données, pas moins de 20 514, qui perdent les connexions avec une partie des sous-ensembles. Tout en maintenant le reste du RNC similaire au précédent (contexte neurologique) le réseau s'arrête au mot-clé 'latence' ne montrant qu'un seul article scientifique qui concerne évidemment la latence du réflexe mâchoire mais sans rapport avec les troubles neuropathiques. (figure 5) L'erreur dans le choix de l'entrée de commande d'initialisation du <math>RNC </math> non seulement corrompt le message à décrypter mais rend vain tout le travail d'analyse en amont des assertions cliniques discutées dans les chapitres de logique du langage.   


[[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|'''Figure 5:''' Mettre fin à la 'RNC'boucle avec une entrée d'initialisation de 'Troubles temporo-mandibulaires']]   


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>:  
Cependant, changer l'ordre des mots-clés dans un chemin cognitif exact tel que le chemin neurologique renvoie essentiellement les mêmes résultats que le précédent à condition que l'entrée de la commande d'initialisation soit parfaitement centrée, comme on peut le voir dans la simulation suivante étiquetée avec<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+ Réflexe trijumeau], [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude amplitude] [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency latence] [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency+Demyelinating+neuropathy neuropathie démyélinisante] <math>\longrightarrow</math> [https://pubmed.ncbi.nlm.nih.gov/?term=trigeminal+reflex+amplitude+latency+Demyelinating+neuropathy '''réflexe H''']................   


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)   
et se reconnecte au précédent jusqu'à la fermeture de la sortie "La transmission éphaptique est à l'origine de la réponse musculaire anormale observée dans le spasme hémifacial" (Figure 6)   
[[File:Ephaptic trasmission.jpg|center|thumb|'''Figure 6:''' Process of 'RNC' with order of keywords changed. ]]
[[File:Ephaptic trasmission.jpg|center|thumb|'''Figure 6:''' Process of 'RNC' with order of keywords changed. ]]
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.       
Nnotez que si ce chapitre avait été publié dans une revue scientifique internationale impactée (Impact Factor) il aurait <math>KB_t</math>et contextuellement un hypothétique 'machine learning' aurait été enrichi d'un nouveau contenu soit celui du diagnostic de 'spasme hémimasticatoire' défini suivant la méthode électrophysiologique du réflexe H hétéronyme. Cette conclusion sera utile lorsque nous répéterons la même procédure pour d'autres cas cliniques dans lesquels le <math>KB_t</math>est mis à jour dans la sortie de la base de données.       


To learn more about the methodological description of the 'Heteronimous H-Reflex', the reader is invited to follow [[Appendix 1]].       
Pour en savoir plus sur la description méthodologique du 'Heteronimous H-Reflex', le lecteur est invité à suivre [[Appendix 1|Annexe 1]].       


=== Bibliography ===
=== Bibliography ===
<references />
<references />

Latest revision as of 16:01, 7 May 2023

Other languages:  

English · Italiano · Français · Deutsch · Español · 

Rete neurale completa1-2.png

Le terme 'Cognitive Neural Network' abrégé en 'RNC' est un processus intellectuel cognitif dynamique du clinicien qui interroge le réseau pour l'autoformation. Le 'RNC' n'est pas un 'Machine Learning' car alors que ce dernier doit être formé par le clinicien, avec des ajustements statistiques et prédictifs, le 'RNC' forme le clinicien ou plutôt oriente le clinicien vers le diagnostic tout en étant toujours questionné suivant une logique humain, d'où le terme « cognitif ». Comme démontré, la définition du « spasme émasticatoire » chez notre patiente Mary Poppins n'était pas un processus cliniquement simple, cependant, compte tenu des thèmes présentés dans les chapitres précédents de Masticationpedia, nous avons au moins trois éléments de soutien disponibles : une vision de la « probabilité quantique » des phénomènes physico-chimiques dans les systèmes biologiques complexes qui seront largement discutés dans les chapitres spécifiques ; un langage plus formel et moins vague que le langage naturel qui oriente l'analyse diagnostique vers le premier nœud d'entrée du 'RNC' à travers le ' ' Démarcateur de cohérence' décrit dans le chapitre '1st Clinical case: Hemimasticatory spasm' ; le processus « RNC » qui, étant géré et guidé exclusivement par le clinicien, devient un moyen essentiel pour le diagnostic définitif. Le 'RNC', en effet, est le résultat d'un processus cognitif profond qui s'effectue à chaque étape de l'analyse dans laquelle le clinicien pèse ses intuitions, clarifie ses doutes, évalue les rapports, considère les contextes et avance pas à pas en se confrontant le résultat de la réponse provenant de la base de données qui dans notre cas est Pubmed et qui représente substantiellement le niveau actuel des connaissances de base au moment de la requête et dans les contextes spécialisés plus larges.


 

Masticationpedia
Article by  Gianni Frisardi · Flavio Frisardi

 

Introduction

Dans le chapitre '1° Clinical case: Hemimasticatory spasm' nous sommes immédiatement arrivés à une conclusion contournant tout le processus cognitif, clinique et scientifique qui sous-tend la définition diagnostique mais ce n'est pas si simple sinon notre pauvre patiente Mary Poppins n'aurait pas dû attendre 10 ans pour le bon diagnostic.

Il faut souligner qu'il ne s'agit pas d'une négligence des cliniciens mais plutôt de la complexité des "systèmes biologiques complexes" et surtout d'un état d'esprit encore ancré dans une "probabilité classique" qui catégorise les phénotypes sains et malades en fonction des symptômes et signe des cliniciens échantillonnés au lieu de sonder « l'état » du système dans l'évolution temporelle. Ce concept, anticipé dans le chapitre « Logique du langage médical : introduction à la probabilité de type quantique dans le système masticatoire » et dans « Conclusions sur le statu quo dans la logique du langage médical concernant le système masticatoire », a jeté les bases d'une théorie médicale langage plus articulé et moins déterministe, principalement focalisé sur 'l'Etat' du 'Système Mésoscopique' dont le but est, essentiellement, de décrypter le message en langage machine généré par le Système Nerveux Central comme nous allons aider à la description d'autres cas cliniques qui seront rapportés dans les prochains chapitres de Masticationpedia.

Ce modèle, que nous proposons sous le terme 'Cognitive Neural Network' en abrégé 'RNC' est un processus intellectuel cognitif dynamique du clinicien qui interroge le réseau pour l'autoformation. Le 'RNC' n'est pas un 'Machine Learning' car alors que ce dernier doit être formé par le clinicien, avec des ajustements statistiques et prédictifs, le 'RNC' forme le clinicien ou plutôt oriente le clinicien vers le diagnostic tout en étant toujours questionné suivant une logique humain, d'où le terme « cognitif ».

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

L'une des limites de l'apprentissage automatique est donc connue sous le nom de "décalage de données",[1] ou "mouvement de données" et une autre cause sous-jacente de l'échec de certains modèles en dehors du laboratoire, est la "sous-spécification"[2][3] à tel point que la tentative de construire un système de dossier médical électronique (DME) amélioré par algorithme, conçu spécifiquement pour être utilisé dans un centre de cancérologie, a été un échec notable pour un coût estimé à 39 000 000 USD. Cet effort était un partenariat de 2012 entre M.D. Anderson Partners et IBM Watson à Houston, Texas.[4]Les premières nouvelles promotionnelles décrivant le projet indiquaient que le plan était de combiner des données génétiques, des rapports de pathologie avec des notes de médecins et des articles de revues pertinents pour aider les médecins à proposer des diagnostics et des traitements. Cependant, cinq ans plus tard, en février 2017, M.D. Anderson a annoncé qu'il avait clos le projet car, après plusieurs années d'essais, il n'avait pas produit d'outil à utiliser avec les patients qui était prêt à aller au-delà des tests pilotes.

«Fascinant et provocant, expliquez-moi en détail»
(... le modèle est essentiellement simple dans sa complexité cognitive)

Essentiellement, le message crypté en langage machine envoyé par le système nerveux central au cours des 10 années de maladie de notre patiente Mary Poppins a été interprété par le langage verbal comme une douleur orofaciale due à des troubles temporo-mandibulaires. Nous avons remarqué à plusieurs reprises, cependant, que le langage verbal humain est déformé par le flou et l'ambiguïté donc, n'étant pas un langage formel, comme le langage mathématique, il peut générer des erreurs de diagnostic. Le message en langage machine envoyé par le Système Nerveux Central à rechercher n'est pas la douleur (la douleur est un langage verbal) mais l'anomalie de "l'Etat du Système" dans lequel se trouvait l'organisme à cette période de temps. D'où le passage de la sémiotique du symptôme et du signe clinique à la « logique du système » qui, à travers les modèles de la « théorie des systèmes », quantifie les réponses du système aux stimuli entrants, même chez les sujets sains.

Tout cela est répliqué dans le modèle 'RNC' proposé en divisant le processus en déclencheurs entrants (Input) et en données sortantes (Output) pour ensuite être réitéré dans une boucle gérée cognitivement par le clinicien jusqu'à la génération d'un nœud unique utile pour la diagnostic définitif. Le modèle se décompose essentiellement comme suit :

  • Input : Par déclencheur entrant, nous entendons le processus cognitif que le clinicien met en œuvre en fonction des considérations reçues des énoncés précédents, comme cela a été souligné dans les chapitres concernant la « Logique du langage médical ». Dans notre cas, à travers le 'Consistency Demarcator ,le contexte neurologique a été défini comme adapté au lieu de celui dentaire poursuivant une explication diagnostique clinique des TMD. Ce déclencheur est d'une importance primordiale car il permet au clinicien de centrer la commande de lancement de l'analyse du réseau qui va connecter un large échantillon de données correspondant au déclencheur défini. A cette commande initiale essentielle, en tant que clé de déchiffrement algorithmique, s'ajoute la dernière commande de fermeture qui est tout aussi importante car elle dépend de l'intuition du clinicien qui considérera le processus de déchiffrement comme terminé. Sur la figure 1, la structure du « RNC » est représentée dans laquelle la différence entre les structures de réseau neuronal plus courantes dans lesquelles la première étape est structurée avec un nombre élevé de variables d'entrée peut être notée. Dans notre 'RNC' la première étape correspond uniquement à un nœud et précisément à la commande d'initialisation de l'analyse réseau appelée 'Consistency Demarcator ', les boucles suivantes du réseau, qui permettent au clinicien de terminer ou de réitérer le réseau, (1ère boucle ouverte, 2ème boucle ouverte,......nère boucle ouverte) sont déterminantes pour conclure le processus de déchiffrement ( Code Décrypté ). Cette étape sera expliquée plus en détail plus loin dans le chapitre.
Figure 1:Représentation graphique du 'RNC' proposée par Masticationpedia


  • Sortie : Les données sortantes du réseau, qui correspondent sensiblement à une requête de déclenchement cognitif précise, renvoient un grand nombre de données classées et corrélées au mot-clé demandé. Le clinicien devra consacrer du temps et de la concentration pour continuer à déchiffrer le code machine. En fait, nous avons été témoins de la manière dont, suivant les indications dictées par des critères de recherche tels que les « critères de diagnostic de la recherche » (RDC), notre patiente Mary Poppins a été immédiatement classée dans la catégorie des « TMD » et nous avons également suggéré un moyen d'étendre les capacités de diagnostic dans la dentisterie à travers un modèle « flou » qui permettrait de se situer dans des contextes autres que le sien. Cela montre la complexité à faire des diagnostics différentiels et les difficultés à suivre une feuille de route sémiotique classique car nous sommes trop ancrés au langage verbal et trop peu à une culture quantique des systèmes biologiques. Cela confine à la notion de langage machine et de commande initiale de déchiffrement que nous expliquerons brièvement dans le paragraphe suivant.

Commande d'initiation

Fou imaginons un instant que le cerveau parle le langage d'un ordinateur et non l'inverse comme c'est le cas en ingénierie, pour distinguer la différence précitée entre le langage machine et le langage verbal humain. Pour écrire une phrase, un mot ou une formule, l'ordinateur n'utilise pas le mode verbal classique (alphabet) ou le mode décimal (chiffres) avec lesquels on écrit des formules mathématiques mais son propre code de langage "d'écriture" appelé code html pour le web . Prenons comme exemple l'écriture d'une formule assez complexe, elle est présentée à notre cerveau dans le langage verbal avec lequel nous avons appris à lire une équation mathématique, sous la forme suivante :

et imaginons, en laissant vagabonder notre esprit, que cette formule corresponde au message du Système Nerveux Central, tel que nous l'avons anticipé, et notamment dans la 'Transmission Ephaptique' encore à décrypter

L'ordinateur et donc le cerveau, pour notre exemple métaphorique, ne connaît pas le langage verbal ou plutôt ce n'est qu'une convention générée pour simplifier la communication naturelle, il en a plutôt la sienne avec laquelle écrire la formule mentionnée et dans le langage textuel wiki ( avec l'extension .php) ressemble à ceci, représenté dans la figure 2 :

Figura 2: Texte wiki d'une formule mathématique. Notez la commande d'initialisation <math> et la commande de sortie de script </math>

comme vous pouvez le voir cela n'a rien à voir avec le langage verbal et en fait, le cerveau a son propre langage machine composé non pas de voyelles, de consonnes et de nombres mais de potentiels d'action, de paquets d'ondes, de fréquences et d'amplitudes, de populations électriques, etc. on observe simplement dans un tracé électroencéphalographique (EEG) et qui représente, précisément, les champs électromagnétiques sur le cuir chevelu de l'activité des dipôles et les courants ioniques cérébraux qui se propagent dans le volume encéphalique.

L'histoire, cependant, ne s'arrête pas là car il s'agit d'un langage d'écriture qui n'a rien à voir avec l'interprétation du matériel informatique et donc avec la structure organique du cerveau composée de centres aux fonctions spécialisées, synaptiques, circuits polysynaptiques et autres autres . Ce langage d'écriture dérive donc d'un langage machine qui n'est pas modélisé dans la commande '<math>' plutôt que'+2\sum_{\alpha_1'} mais dérive d'un langage binaire converti ultérieurement en code d'écriture html. Ceci est appelé "langage machine" pour l'ordinateur et le cerveau et peut être simulé comme suit

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

Mais que se passe-t-il si la chaîne suivante 00101011 00110010 01011100 01110011 01110101 01101101qui correspond à la commande <math> n'est pas présent dans ce code ?

Le message serait corrompu et la formule ne serait pas générée faute de l'étape la plus importante celle de 'Initialisation du code de commande', ainsi que si l'on éliminait la dernière partie du code 01101100 01110000 01101000 01100001 01011111 00110010 00101001, correspondant à la fermeture du script < /math> la formule resterait corrompue et indéterminée.

En pratique, sans la commande initiale et finale, la formule est bien décrite sous la forme suivante qui nous est compréhensible :

il se présenterait d'une manière incompréhensible pour la plupart des gens.

+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)

De même que l'absence d'une partie du code binaire corrompt la représentation de la formule, de même le décryptage du langage machine du SNC est source de flou et d'ambiguïté du langage verbal et contextuellement d'erreur diagnostique.

Processus cognitif

Le cœur du modèle 'RNC' réside dans le processus cognitif référé exclusivement au clinicien qui est aux manettes alors que le réseau reste essentiellement la boussole qui avertit des dérives et/ou suggère d'autres voies alternatives mais la responsabilité décisionnelle renvoie toujours au clinicien (esprit humain). Dans cette simple définition, on le percevra mieux à la fin du chapitre, la synergie 'Réseau de neurones' et 'Processus cognitif humain' du clinicien sera auto-implémentée car d'une part le clinicien est formé ou mieux guidé par le réseau de neurones (base de données) et ce dernier sera formé sur le dernier événement scientifique-clinique mis à jour. Fondamentalement, le diagnostic définitif ajoutera une information supplémentaire à la connaissance de base temporelle . Ce modèle diffère substantiellement du « machine learning » simplement en observant les deux modèles dans leur configuration structurelle (figures 1 et 3).

Figure 3 : Représentation graphique d'un ANN archétypal dans lequel on peut le voir dans la première étape d'initialisation où il y a cinq nœuds d'entrée[5] tandis que dans le modèle 'RNC' le premier étage est composé d'un seul nœud. Suivez le texte.

La figure 3 montre un réseau de neurones typique, également connu sous le nom de NN artificiels. Ces NN artificiels tentent d'utiliser plusieurs couches de calculs pour imiter le concept de la façon dont le cerveau humain interprète et tire des conclusions à partir des informations.[5] Les NN sont essentiellement des modèles mathématiques conçus pour gérer des informations complexes et disparates, et la nomenclature de cet algorithme provient de son utilisation de "nœuds" de type synapse dans le cerveau..[6] Le processus d'apprentissage d'un NN peut être supervisé ou non supervisé. On dit qu'un réseau de neurones apprend de manière supervisée si la sortie souhaitée est déjà ciblée et introduite dans le réseau par apprentissage des données alors que le NN non supervisé n'a pas de telles sorties cibles pré-identifiées et l'objectif est de regrouper des unités similaires proches les unes des autres dans certaines zones. de la plage de valeurs. Le module supervisé prend des données (par exemple, symptômes, facteurs de risque, imagerie et résultats de laboratoire) pour la formation sur les résultats connus et recherche différentes combinaisons pour trouver la combinaison de variables la plus prédictive. NN attribue plus ou moins de poids à certaines combinaisons de nœuds pour optimiser les performances prédictives du mode formél.[7]


La figure 1, en revanche, correspond au modèle 'RNC' proposé et on voit comment la première étape d'acquisition est composée d'un seul nœud alors que le 'Machine learning' au premier nœud, plus les variables entrantes ont le plus la 'Prédiction' en sortie. Comme mentionné, il faut tenir compte du fait que le premier nœud est d'une importance fondamentale car il dérive déjà d'un processus cognitif clinique qui a conduit le' Coherence Demarcator' pour déterminer un tout premier choix de champ. A partir de la commande d'initialisation, donc, le réseau de neurones évolue dans une série d'états composés d'un grand nombre de nœuds puis se termine à un premier pas d'un ou deux nœuds puis réitère dans une boucle ultérieure de plusieurs nœuds jusqu'à se terminer par le ' dernier noeud concluant (déchiffrement du code). Le processus d'initialisation du premier nœud, du dernier et de la réitération de la boucle est exclusif au processus cognitif humain du clinicien et non à un automatisme statistique d'apprentissage automatique, encore moins à des étapes 'cachées'. Toutes les boucles ouvertes et fermées doivent être connues du clinicien.

Pour plus d'informations sur le sujet, il est disponible sur Masticationpedia dans le chapitre 'An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain'

Mais voyons en détail comment un 'RNC' est construit

Réseau de neurones cognitifs

Dans ce paragraphe, il semble nécessaire d'expliquer le processus clinique suivi avec le support du 'RNC' en suivant pas à pas les requêtes cognitives au réseau et l'analyse cognitive effectuée sur les données en réponse du réseau. La carte a également été montrée dans la figure 4 avec des liens vers les réponses du réseau qui peuvent être consultés pour une documentation plus cohérente :

  • Démarcateur de cohérence :Comme nous l'avons décrit précédemment, la première étape est une commande d'initialisation de l'analyse de réseau qui découle, en fait, d'un traitement cognitif préalable des assertions dans le contexte dentaire et celui neurologique  à laquelle le ' Coherence Demarcator' a donné un poids absolu en éliminant efficacement le contexte dentaire du processus. De ce qui ressort des affirmations neurologiques  l''Etat' du Système Nerveux Trijumeau apparaît non structuré mettant en évidence des anomalies des réflexes trijumeau pour lesquels la commande 'Initialisation' est la 'Réflexe trijumeau' aller tester la base de données (Pubmed).
  • 1ère boucle ouverte : cette commande "Initialize" est donc considérée comme une entrée initiale pour la base de données Pubmed qui répond avec 2 466 données cliniques et expérimentales disponibles pour le clinicien. L'ouverture de la première vraie analyse cognitive s'élabore précisément sur l'analyse du premier résultat du 'RNC' correspondant au 'Réflexe Trijumeau'. Dans cette phase on se rend compte qu'un pourcentage discret de données révèle une correspondance entre les anomalies du réflexe trijumeau et les problèmes de démyélinisation, donc la 1ère boucle ouverte correspondra à : 'Neuropathie démyélinisante'' qui renverra 14 données sensibles. Derrière le choix de cette clé se cache un processus cognitif actif et dynamique du clinicien. A partir des affirmations dans le contexte neurologique, une pathologie neuropathique a été émise dans laquelle l'aspect démyélinisant doit également être considéré.
  • 2ème boucle ouverte : Le processus se poursuit en s'attardant de plus en plus sur les mots-clés qui correspondent à nos données de résultats électrophysiologiques anormaux, c'est-à-dire la latence du réflexe mâchoire. Cette entrée correspond à 'Latence' et renvoie 6 données sensibles sur lesquelles traiter une nouvelle itération de la boucle.
  • 3ème boucle ouverte : Dans les relevés du contexte neurologique, une anomalie est également observée dans l'amplitude du réflexe mâchoire ainsi que dans la latence. Cette 3ème boucle ouverte correspond à 'Amplitude' and ne renvoie que 2 points de données sur lesquels s'attarder pour décider du mot-clé pour réitérer la boucle ou fermer définitivement le processus. Le résultat montre un article décrivant l'évaluation électrophysiologique des neuropathies crâniennes qui était considérée comme de faible poids spécifique pour nos besoins tandis que l'autre article met en évidence certaines méthodologies du trijumeau pour tester la latence, l'amplitude des muscles masticateurs, y compris le réflexe H.
  • 4ème boucle fermée : Le processus continue donc en insérant le mot-clé algorithmique'réflexe H ' qui renvoie 3 701 données scientifiques cliniques.
  • 5ème boucle ouverte : Les anomalies mises en évidence ont été principalement vérifiées sur les masséters donc on peut en déduire que les mots-clés concernant le 'Muscle masséter' peut être intercepté dans l'échantillon interrogé de la 4ème boucle fermée, d'où la 5ème boucle ouverte qui renvoie 30 données disponibles pour le 'RNC'
  • 6ème boucle ouverte : Nous ne savons cependant pas si le dommage neuropathique est localisé exclusivement sur le muscle masséter ou implique également le muscle temporal, donc un autre mot-clé algorithmique serait le'Muscle temporal' qui renvoie 8 données sensibles.
  • 7ème boucle ouverte : A partir d'une analyse minutieuse de cette 7ème boucle ouverte on se demande si ces anomalies électrophysiologiques peuvent être mises en évidence chez les patients atteints de sclérose et étant présentes dans l'histoire clinique du patient, un diagnostic antérieur de 'Morphée' il a été choisi d'interroger le 'Réseau ' d'un autre mot-clé et axé sur 'Sclerosis' qui n'a fourni qu'une seule donnée sensible 'H-refex hétéronyme sur le muscle temporal chez les patients atteints de sclérose latérale amyotrophique.
  • A partir d'une analyse minutieuse de cette 7ème boucle ouverte on se demande si ces anomalies électrophysiologiques peuvent être mises en évidence chez les patients atteints de sclérose et étant présentes dans l'histoire clinique du patient, un diagnostic antérieur de 'Morphée' il a été choisi d'interroger le 'Réseau' d'un autre mot-clé centré sur 'Sclerosis' qui n'a fourni qu'une seule donnée sensible 'Réflexe H hétéronyme dans le muscle temporal comme signe d'hyperexcitabilité chez les patients SLA
  • 8ème boucle fermée : Dans ce nœud unique, le clinicien pourrait terminer la boucle mais n'aurait rien résolu car le décodage du message crypté n'a pas encore été réalisé. A noter que la méthode électrophysiologique dite « réflexe H hétéronome » est capable de mettre en évidence des anomalies de réponse du muscle temporal pour lequel la boucle a été poursuivie en insérant le mot-clé spécifique suivant, ' Réponse anormale du muscle temporal' qui renvoie 137 données.
  • 9ème boucle ouverte : En étudiant les 137 articles parus dans Pubmed, le clinicien a l'intuition que les anomalies de réponse dans le muscle temporal à travers le test du réflexe H dépendent d'une propagation du courant de stimulation dans l'incendie criminel non structuré et approfondit donc la boucle en interrogeant le réseau pour un mot-clé supplémentaire les 'Impulsions latérales d'espoir' qui clôt définitivement le processus cognitif du 'Réseau de neurones' avec un article proche de nos hypothèses cliniques concernant la patiente Mary Poppins et qui est 'La transmission éphaptique est à l'origine de la réponse musculaire anormale observée dans le spasme hémifacial'
    Figure 4 : Les liens actifs du « RNC » mis en évidence dans le modèle correspondent à la base de données « Pubmed » et peuvent être documentés.


Conclusion

Comme démontré, la définition du «spasme émasticatoire» chez notre patiente Mary Poppins n'était pas un processus cliniquement simple, cependant, compte tenu des sujets présentés dans les chapitres précédents de Masticationpedia, nous avons au moins trois éléments de soutien disponibles :

  1. Une vision de la « probabilité quantique » des phénomènes physico-chimiques dans les systèmes biologiques complexes qui sera largement discutée dans les chapitres spécifiques.
  2. Un langage plus formel et moins vague que le langage naturel qui oriente l'analyse diagnostique vers le premier noeud d'entrée du 'RNC' via le ' Coherence Demarcator' décrit dans le chapitre'1er Cas clinique : Spasme hémimasticatoire'
  3. Le processus « RNC » qui, étant géré et guidé exclusivement par le clinicien, devient un moyen essentiel pour le diagnostic définitif.

Le 'RNC', en effet, est le résultat d'un processus cognitif profond qui s'effectue à chaque étape de l'analyse dans laquelle le clinicien pèse ses intuitions, clarifie ses doutes, évalue les rapports, considère les contextes et avance pas à pas en se confrontant le résultat de la réponse provenant de la base de données qui dans notre cas est Pubmed qui représente substantiellement le niveau actuel des connaissances de base à l'heure des questions et le dans les contextes spécialisés les plus larges.

Une représentation linéaire de ce processus cognitif étiqueté comme avec les annotations nécessaires, cela pourrait être le suivant :

Réflexe trijumeau,Neuropathie démyélinisante, Latence,Amplitude,réflexe H, Muscle masséter, Muscle temporal, Réflexe H hétéronyme dans le muscle temporal comme signe d'hyperexcitabilité chez les patients SLA,Réponse anormale du muscle temporalLa transmission éphaptique est à l'origine de la réponse musculaire anormale observée dans le spasme hémifacial

Il y a essentiellement deux annotations à noter : la première est l'identification obligatoire de l'entrée d'initialisation qui dérive du contexte choisi par le ' Coherence Demarcator' et le second l'ordre des mots-clés sélectionnés cognitivement.

«En fait, qu'advient-il du 'RNC' si l'on considère le contexte dentaire en insérant le mot-clé 'Temporo-Mandibular Disorders' comme entrée d'initialisation, en gardant tout le reste inchangé ?»

En marquant le réseau comme avec une entrée d'initialisation dentaire (troubles temporo-mandibulaires) comme suit :

Troubles temporo-mandibulaires,Réflexe trijumeau, Neuropathie démyélinisante, LatenceSide asymmetry of the jaw jerk in human craniomandibular dysfunction

Le message est corrompu, comme expliqué ci-dessus concernant la formule mathématique, car l'entrée de commande d'initialisation (Troubles tempormandibulaires) dirige le réseau pour un ensemble de données, pas moins de 20 514, qui perdent les connexions avec une partie des sous-ensembles. Tout en maintenant le reste du RNC similaire au précédent (contexte neurologique) le réseau s'arrête au mot-clé 'latence' ne montrant qu'un seul article scientifique qui concerne évidemment la latence du réflexe mâchoire mais sans rapport avec les troubles neuropathiques. (figure 5) L'erreur dans le choix de l'entrée de commande d'initialisation du non seulement corrompt le message à décrypter mais rend vain tout le travail d'analyse en amont des assertions cliniques discutées dans les chapitres de logique du langage.

Figure 5: Mettre fin à la 'RNC'boucle avec une entrée d'initialisation de 'Troubles temporo-mandibulaires'

Cependant, changer l'ordre des mots-clés dans un chemin cognitif exact tel que le chemin neurologique renvoie essentiellement les mêmes résultats que le précédent à condition que l'entrée de la commande d'initialisation soit parfaitement centrée, comme on peut le voir dans la simulation suivante étiquetée avec:

Réflexe trijumeau, amplitude latence neuropathie démyélinisante réflexe H................

et se reconnecte au précédent jusqu'à la fermeture de la sortie "La transmission éphaptique est à l'origine de la réponse musculaire anormale observée dans le spasme hémifacial" (Figure 6)

Figure 6: Process of 'RNC' with order of keywords changed.

Nnotez que si ce chapitre avait été publié dans une revue scientifique internationale impactée (Impact Factor) il aurait et contextuellement un hypothétique 'machine learning' aurait été enrichi d'un nouveau contenu soit celui du diagnostic de 'spasme hémimasticatoire' défini suivant la méthode électrophysiologique du réflexe H hétéronyme. Cette conclusion sera utile lorsque nous répéterons la même procédure pour d'autres cas cliniques dans lesquels le est mis à jour dans la sortie de la base de données.

Pour en savoir plus sur la description méthodologique du 'Heteronimous H-Reflex', le lecteur est invité à suivre Annexe 1.

Bibliography

  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]
  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.
Retrieved from "https://www.masticationpedia.org/index.php?title=Code_crypté_:_transmission_éphaptique&oldid=15846"