Código encriptado: Transmisión efáptica

El término 'Red Neural Cognitiva' abreviado como 'RNC' es un proceso intelectual cognitivo dinámico del clínico que interroga a la red para su autoformación. El 'RNC' no es un 'Machine Learning' porque mientras este último debe ser entrenado por el clínico, con ajustes estadísticos y de predicción, el 'RNC' entrena al clínico o más bien dirige al clínico al diagnóstico siendo siempre cuestionado siguiendo una lógica. humano, de ahí el término 'cognitivo'. Como se demostró, la definición de 'espasmo masticatorio' en nuestra paciente Mary Poppins no fue un proceso clínicamente simple, sin embargo, considerando los temas presentados en los capítulos anteriores de Masticationpedia, tenemos al menos tres elementos de apoyo disponibles: una visión de 'Probabilidad Cuántica' de fenómenos físico-químicos en sistemas biológicos complejos que serán discutidos extensamente en los capítulos específicos; un lenguaje más formal y menos vago que el lenguaje natural que dirige el análisis diagnóstico al primer nodo de entrada del 'RNC' a través del '$\tau$ Demarcador de coherencia 'descrito en el capítulo'1er Caso Clínico: Espasmo hemimasticatorio';el proceso 'RNC' que, siendo dirigido y guiado exclusivamente por el clínico, se convierte en un medio imprescindible para el diagnóstico definitivo. El 'RNC', en efecto, es el resultado de un profundo proceso cognitivo que se realiza en cada paso del análisis en el que el clínico sopesa sus intuiciones, aclara sus dudas, evalúa los relatos, considera los contextos y avanza paso a paso confrontando el resultado de la respuesta proveniente de la base de datos que en nuestro caso es Pubmed y que representa sustancialmente el nivel actual de conocimientos básicos $KB_{t}$ en el momento de la consulta y $KB_{c}$ en los contextos especializados más amplios.

 

Article by  Gianni Frisardi · Flavio Frisardi

 

Introducción

en el capitulo '1er Caso Clínico: Espasmo hemimasticatorio' Inmediatamente llegamos a una conclusión pasando por alto todo el proceso cognitivo, clínico y científico que subyace en la definición del diagnóstico, pero no es tan simple, de lo contrario, nuestra pobre paciente Mary Poppins no habría tenido que esperar 10 años para obtener el diagnóstico correcto.

Cabe destacar que no se trata de negligencia por parte de los clínicos sino de la complejidad de los 'sistemas biológicos complejos' y sobre todo de una mentalidad aún anclada en una 'probabilidad clásica' que categoriza fenotipos sanos y enfermos según los síntomas. y signos muestreados clínicos en lugar de sondear el 'Estado' del sistema en la evolución temporal. Este concepto, anticipado en el capítulo 'Lógica del lenguaje médico: Introducción a la probabilidad cuántica en el sistema masticatorio' y en 'Conclusiones sobre el status quo en la lógica del lenguaje médico respecto al sistema masticatorio' ha sentado las bases de un lenguaje médico más articulado y menos determinista, centrado principalmente en el 'Estado' del 'Sistema Mesoscópico' cuya finalidad es, esencialmente, descifrar el mensaje en lenguaje máquina generado por el Sistema Nervioso Central como asistiremos en la descripción de otros casos clínicos que serán reportados en los próximos capítulos de Masticationpedia.

Este modelo, que proponemos con el término 'Red Neural Cognitiva' abreviado como 'RNC' es un proceso intelectual cognitivo dinámico del clínico que interroga a la red para su autoformación. El 'RNC' no es un 'Machine Learning' porque mientras este último debe ser entrenado por el clínico, con ajustes estadísticos y de predicción, el 'RNC' entrena al clínico o más bien dirige al clínico al diagnóstico siendo siempre cuestionado siguiendo una lógica. humano, de ahí el término 'cognitivo'.

De hecho, algunos modelos clásicos de aprendizaje automático, cuyo entrenamiento en el laboratorio da resultados positivos, fallan cuando se aplican al contexto real. Esto generalmente se atribuye a una falta de coincidencia entre los conjuntos de datos con los que se entrenó la máquina y los datos que encuentra en el mundo real. Un ejemplo práctico de esto puede ser representado por el conflicto de afirmaciones encontradas en el proceso diagnóstico de nuestra paciente Mary Poppins entre el contexto odontológico y el neurológico que sólo se sustentan en el demarcador de coherencia. $\tau$(proceso cognitivo) logró resolver.

Uno de los límites del aprendizaje automático, por lo tanto, se conoce como "desplazamiento de datos"., o "movimiento de datos" y otra causa subyacente de la falla de algunos modelos fuera del laboratorio, es la "subespecificación"tanto es así que el intento de construir un sistema de registro médico electrónico (EMR) mejorado con algoritmo diseñado específicamente para su uso en un centro oncológico fue un fracaso notable con un costo estimado de $ 39,000,000 USD. Este esfuerzo fue una asociación de 2012 entre M.D. Anderson Partners e IBM Watson en Houston, Texas.Las primeras noticias promocionales que describían el proyecto indicaban que el plan era combinar datos genéticos, informes patológicos con notas de médicos y artículos de revistas relevantes para ayudar a los médicos a elaborar diagnósticos y tratamientos. Sin embargo, cinco años después, en febrero de 2017, M.D. Anderson anunció que había cerrado el proyecto porque, después de varios años de intentarlo, no había producido una herramienta para usar con pacientes que estuviera lista para ir más allá de la prueba piloto.

«Fascinante y provocativo, explícame en detalle.»
(... el modelo es esencialmente simple en su complejidad cognitiva)

En esencia, el mensaje en lenguaje máquina encriptado enviado por el Sistema Nervioso Central en los 10 años de enfermedad de nuestra paciente Mary Poppins fue interpretado a través del lenguaje verbal como Dolor Orofacial por Trastornos Temporomandibulares. Sin embargo, hemos señalado varias veces que el lenguaje verbal humano está distorsionado por la vaguedad y la ambigüedad, por lo que, al no ser un lenguaje formal, como el lenguaje matemático, puede generar errores de diagnóstico. El mensaje en lenguaje máquina que envía el Sistema Nervioso Central para ser buscado no es el dolor (el dolor es un lenguaje verbal) sino la anomalía de 'Estado del Sistema' en que se encontraba el organismo en ese lapso de tiempo. De ahí el paso de la semiótica del síntoma y del signo clínico a la'Lógica del sistema' que, a través de modelos de 'Teoría de Sistemas', cuantifican las respuestas del sistema a los estímulos entrantes, incluso en sujetos sanos.

Todo esto se replica en el modelo 'RNC' propuesto al dividir el proceso en disparadores entrantes (Input) y datos salientes (Output) para luego ser reiterados en un bucle manejado cognitivamente por el clínico hasta la generación de un solo nodo útil para el diagnóstico definitivo. El modelo básicamente se desglosa de la siguiente manera:

• Entrada: Por disparador entrante entendemos el proceso cognitivo que el clínico implementa en función de las consideraciones recibidas de declaraciones previas, como se ha señalado en los capítulos referentes a la 'Lógica del lenguaje médico'. En nuestro caso, a través del 'Demarcador de Consistencia $\tau$, se definió como adecuado el contexto neurológico en lugar del dental persiguiendo una explicación clínica diagnóstica de los TTM. Este disparador es de vital importancia porque permite al clínico centrar el comando de inicio del análisis de red que conectará una gran muestra de datos correspondientes al disparador establecido. A este imprescindible comando inicial, como clave algorítmica de descifrado, se le suma el último comando de cierre, igualmente importante ya que depende de la intuición del clínico que dará por terminado el proceso de descifrado. En la Figura 1 se representa la estructura del 'RNC' en la que se puede notar la diferencia entre las estructuras de redes neuronales más comunes en las que la primera etapa se estructura con un elevado número de variables de entrada. En nuestro 'RNC' la primera etapa corresponde únicamente a un nodo y precisamente al comando de inicialización del análisis de red llamado 'Demarcador de Consistencia $\tau$', los bucles posteriores de la red, que permiten al clínico terminar o reiterar la red, (1er bucle abierto, 2º bucle abierto,...... nst bucle abierto) son decisivos para concluir el proceso de descifrado (Código Descifrado). Este paso se explicará con más detalle más adelante en el capítulo.

Figura 1: Representación gráfica del 'RNC' propuesto por Masticationpedia

• Salida: los datos salientes de la red, que corresponden sustancialmente a una solicitud de activación cognitiva precisa, devuelven una gran cantidad de datos clasificados y correlacionados con la palabra clave solicitada. El clínico tendrá que dedicar tiempo y concentración para seguir descifrando el código de la máquina. De hecho, hemos sido testigos de cómo, siguiendo las indicaciones dictadas por criterios de investigación como los 'Research Diagnostic Criteria' (RDC), nuestra paciente Mary Poppins fue categorizada inmediatamente como 'TMD' y también hemos sugerido una forma de ampliar las capacidades diagnósticas en odontología a través de un modelo 'borroso' que permitiría oscilar en contextos distintos al propio. Esto muestra la complejidad de hacer diagnósticos diferenciales y las dificultades de seguir una hoja de ruta semiótica clásica porque estamos demasiado anclados al lenguaje verbal y demasiado poco a una cultura cuántica de sistemas biológicos. Esto limita con el concepto de lenguaje de máquina y comando de descifrado inicial que explicaremos brevemente en el siguiente párrafo.

Comando de iniciación

Por un momento imaginemos que el cerebro habla el lenguaje de una computadora y no al revés como sucede en la ingeniería, para distinguir la diferencia antes mencionada entre el lenguaje de máquina y el lenguaje verbal humano. Para escribir una oración, una palabra o una fórmula, la computadora no usa el modo verbal clásico (alfabeto) o el modo decimal (números) con los que escribimos fórmulas matemáticas sino su propio código de lenguaje de 'escritura' llamado código html para la web. . Tomemos como ejemplo la escritura de una fórmula bastante compleja, se le presenta a nuestro cerebro en el lenguaje verbal con el que hemos aprendido a leer una ecuación matemática, de la siguiente forma:

$+2\sum _{\alpha _{1}<\alpha _{2}}\cos \theta _{\alpha _{1}\alpha _{2}}{\sqrt {P(A=\alpha _{1})P(B=\beta |A=\alpha _{1})}}P(A=\alpha _{2})P(B=\beta |a=\alpha _{2})$e imaginemos, dejando vagar la mente, que esta fórmula corresponde al mensaje del Sistema Nervioso Central, como hemos anticipado, y en particular en la 'Transmisión Efáptica' aún por descifrar

La computadora y por ende el cerebro, para nuestro ejemplo metafórico, no conoce el lenguaje verbal o más bien es solo una convención generada para simplificar la comunicación natural, sino que tiene uno propio con el que escribir la fórmula mencionada y en el lenguaje del texto wiki ( con extensión .php) se ve así, representado en la figura 2:

Figura 2: Texto Wiki de una fórmula matemática. Tenga en cuenta el comando de inicialización <math> y el comando de salida del script </math>

como podéis ver no tiene nada que ver con el lenguaje verbal y de hecho el cerebro tiene su propio lenguaje máquina compuesto no de vocales, consonantes y números sino de potenciales de acción, paquetes de ondas, frecuencias y amplitudes, poblaciones eléctricas, etc. simplemente observamos en un trazado electroencefalográfico (EEG) y que representa, precisamente, los campos electromagnéticos sobre el cuero cabelludo de la actividad de los dipolos y las corrientes iónicas cerebrales que se propagan en el volumen encefálico.

La historia, sin embargo, no acaba aquí porque se trata de un lenguaje de escritura que no tiene nada que ver con el intérprete del hardware informático y por tanto con la estructura orgánica del cerebro formada por Centros con funciones especializadas, circuitos sinápticos, polisinápticos y otros. . Este lenguaje de escritura, por lo tanto, deriva de un lenguaje de máquina que no está modelado en el comando '<matemáticas>' en lugar de '+2\sum_{\alpha_1'} sino que deriva de un lenguaje binario convertido posteriormente en código de escritura html. Esto se conoce como 'lenguaje de máquina' tanto para la computadora como para el cerebro y se puede simular de la siguiente manera

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

Pero, ¿qué pasa si la siguiente cadena 00101011 00110010 01011100 01110011 01110101 01101101 que corresponde al comando <math> no está presente en este código?

El mensaje se corrompería y no se generaría la fórmula por falta del paso más importante que es 'Inicialización del código de comando', así como si elimináramos la última parte del código 01101100 01110000 01101000 01100001 01011111 00110010 00101001, correspondiente al cierre del script < /math> la fórmula quedaría corrupta e indeterminada.

En la práctica, sin el comando inicial y final, la fórmula está bien descrita en la siguiente forma que nos resulta comprensible:

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

se presentaría de una manera incomprensible para la mayoría de la gente.

+2\sum_{\alpha_1<\alpha_2}\cos\theta_{\alpha_1\alpha_2}\sqrt{P(A=\alpha_1)P(B=\beta|A=\alpha_1)} P(A=\alpha_2) P(B=\beta|a=\alpha_2)

Así como la falta de una parte del código binario corrompe la representación de la fórmula, igualmente el descifrado del lenguaje máquina del SNC es fuente de vaguedad y ambigüedad del lenguaje verbal y contextualmente de error diagnóstico.

Proceso cognitivo

---

El corazón del modelo 'RNC' radica en el proceso cognitivo referido exclusivamente al clínico que está al timón mientras que la red sigue siendo esencialmente la brújula que advierte de desvíos y/o sugiere otras rutas alternativas pero la responsabilidad de la toma de decisiones siempre se refiere al clínico (mente humana). En esta simple definición, lo percibiremos mejor al final del capítulo, el sinergismo 'Red neuronal' y 'Proceso cognitivo humano' del clínico se auto-implementará porque por un lado el clínico está entrenado o mejor guiado por la red neuronal (base de datos) y esta última será entrenada sobre el último evento científico-clínico actualizado. Básicamente, el diagnóstico definitivo añadirá un dato adicional al conocimiento base temporal $Kb_{t}$.Este modelo difiere sustancialmente del 'aprendizaje automático' con solo observar los dos modelos en su configuración estructural (Figuras 1 y 3).

Figura 3: Representación gráfica de una RNA arquetípica en la que se puede ver en la primera etapa de inicialización donde hay cinco nodos de entradamientras que en el modelo 'RNC' la primera etapa está compuesta por un solo nodo. Seguir texto.

La Figura 3 muestra una red neuronal típica, también conocida como NN artificial. Estos NN artificiales intentan usar múltiples capas de cálculos para imitar el concepto de cómo el cerebro humano interpreta y saca conclusiones de la información..Los NN son esencialmente modelos matemáticos diseñados para manejar información compleja y dispar, y la nomenclatura de este algoritmo proviene de su uso de "nodos" similares a sinapsis en el cerebro..El proceso de aprendizaje de una NN puede ser supervisado o no supervisado. Se dice que una red neuronal aprende de manera supervisada si la salida deseada ya está dirigida e introducida en la red mediante el entrenamiento de datos, mientras que NN no supervisada no tiene tales salidas objetivo preidentificadas y el objetivo es agrupar unidades similares juntas en ciertas áreas. del rango de valores. El módulo supervisado toma datos (p. ej., síntomas, factores de riesgo, imágenes y resultados de laboratorio) para la capacitación sobre resultados conocidos y busca diferentes combinaciones para encontrar la combinación de variables más predictiva. NN asigna más o menos peso a ciertas combinaciones de nodos para optimizar el rendimiento predictivo del modelo entrenado.

La Figura 1, por su parte, corresponde al modelo 'RNC' propuesto y se puede observar como la primera etapa de adquisición está compuesta por un solo nodo mientras que el 'Machine learning' en el primer nodo, cuantas más variables entrantes tienen el mayor la 'Predicción' en salida. Como se mencionó, se debe tener en cuenta que el primer nodo es de fundamental importancia porque ya deriva de un proceso cognitivo clínico que condujo a la ' $\tau$ Coherence Demarcator' para determinar una primera elección de campo. Desde el comando de inicialización, por lo tanto, la red neuronal evoluciona en una serie de estados compuestos por una gran cantidad de nodos y luego termina en un primer paso de uno o dos nodos y luego se reitera en un bucle posterior de varios nodos hasta terminar en el ' último nodo concluyente (descifrado del código). El proceso de inicialización del primer nodo, el último y la reiteración del bucle es exclusivo del proceso cognitivo humano del clínico y no de un automatismo estadístico de aprendizaje automático y mucho menos de etapas 'Ocultas'. El médico debe conocer todos los bucles abiertos y cerrados.

Para más información sobre el tema, está disponible en Mastication Pedia en el capítulor 'Una historia clínica electrónica artificialmente inteligente (o mejorada por algoritmos) en el dolor orofacial'

Pero veamos en detalle cómo se construye un 'RNC'

Red neuronal cognitiva

En este apartado parece necesario explicar el proceso clínico seguido con el apoyo del 'RNC' siguiendo paso a paso las consultas cognitivas a la red y el análisis cognitivo realizado sobre los datos de respuesta de la red. El mapa también se muestra en la figura 4 con enlaces a las respuestas de la red que se pueden ver para una documentación más consistente:

• Demarcador de coherencia $\tau$: Como hemos descrito anteriormente, el primer paso es un comando de inicialización de análisis de red que deriva, de hecho, de un procesamiento cognitivo previo de las afirmaciones en el contexto dental. $\delta _{n}$ y el neurologico $\gamma _{n}$ a que el' $\tau$ Coherence Demarcator' dio peso absoluto al eliminar efectivamente el contexto dental $\delta _{n}$ del proceso De lo que surge de las afirmaciones neurológicas $\gamma _{n}$el 'Estado' del Sistema Nervioso del Trigémino aparece desestructurado destacando anomalías de los reflejos del trigémino para los cuales el comando 'Inicialización' es el 'Reflejo del trigémino' para ir y probar la base de datos (Pubmed).
• 1er bucle abierto: este comando 'Inicializar', por lo tanto, se considera como entrada inicial para la base de datos Pubmed que responde con 2466 datos clínicos y experimentales disponibles para el médico. La apertura del primer análisis cognitivo verdadero se elabora precisamente sobre el análisis del primer resultado del 'RNC' correspondiente al 'Reflejo del Trigémino'. En esta fase nos damos cuenta de que un porcentaje discreto de datos revela una correspondencia entre anomalías del reflejo del trigémino y problemas de desmielinización, por lo que el 1er bucle abierto corresponderá a: 'neuropatía desmielinizante'' que devolverá 14 datos confidenciales. Detrás de la elección de esta clave hay un proceso cognitivo activo y dinámico del clínico. A partir de las aseveraciones en el contexto neurológico, se planteó la hipótesis de una patología neuropática en la que también se debe considerar el aspecto desmielinizante.
• Segundo bucle abierto: el proceso continúa centrándose cada vez más en las palabras clave que corresponden a nuestros datos de resultados electrofisiológicos anómalos, es decir, la latencia del reflejo mandibular. Esta entrada corresponde a 'Latencia'y devuelve 6 datos confidenciales sobre los que procesar una iteración adicional del ciclo.
• 3er bucle abierto: En los enunciados del contexto neurológico también se observa una anomalía en la amplitud del tirón mandibular así como en la latencia. Este tercer lazo abierto corresponde a 'Amplitud' y devuelve solo 2 puntos de datos en los que detenerse para decidir la palabra clave para reiterar el ciclo o cerrar definitivamente el proceso. El resultado muestra un artículo que describe la evaluación electrofisiológica de las neuropatías craneales que se consideró de bajo peso específico para nuestros propósitos, mientras que el otro artículo destaca algunas metodologías trigeminales para probar la latencia, la amplitud de los músculos masticatorios, incluido el reflejo H.
• 4° bucle cerrado: El proceso, por lo tanto, continúa insertando la palabra clave algorítmica 'H-reflejo ' que devuelve 3.701 datos científicos clínicos.
• 5° lazo abierto: Las anomalías resaltadas fueron verificadas principalmente en los maseteros por lo que se puede deducir que palabras claves concernientes al 'músculo masetero'puede ser interceptado en la muestra interrogada del 4° lazo cerrado, por lo tanto, el 5° lazo abierto que devuelve 30 datos disponibles para el 'RNC'
• 6. bucle abierto: Sin embargo, no sabemos si el daño neuropático se localiza exclusivamente en el músculo masetero o también involucra al músculo temporal, por lo que otra palabra clave algorítmica sería el 'músculo temporal'que devuelve 8 datos confidenciales.
• 7° lazo abierto: A partir de un análisis cuidadoso de este 7° lazo abierto uno se pregunta si estas anomalías electrofisiológicas pueden ser destacadas en pacientes con esclerosis y estando presentes en la historia clínica del paciente, un diagnóstico previo de 'Morfea' se optó por interrogar a la 'Red ' de otra palabra clave y se centró en 'Esclerosis' que proporcionó solo un dato sensible 'Reflejo H heterónimo en el músculo temporal en pacientes con esclerosis lateral amiotrófica'.
• A partir de un análisis cuidadoso de este 7º lazo abierto uno se pregunta si estas anomalías electrofisiológicas pueden resaltarse en pacientes con esclerosis y estando presentes en la historia clínica del paciente, un diagnóstico previo de 'Morfea' se optó por interrogar a la 'Red' de otro palabra clave centrada en 'Esclerosis' que proporcionó solo un dato confidencial 'Reflejo H heterónimo en músculo temporal como signo de hiperexcitabilidad en pacientes con ELA
• 8º bucle cerrado: En este único nodo el clínico podría terminar el bucle pero no habría solucionado nada porque aún no se ha conseguido la decodificación del mensaje cifrado. Cabe señalar que el método electrofisiológico llamado "reflejo H heterónomo" puede resaltar las anomalías de respuesta del músculo temporal para el que se continuó el ciclo insertando la siguiente palabra clave específica,' Respuesta anormal del músculo temporal' que devuelve 137 datos.
• Noveno bucle abierto: al estudiar los 137 artículos que aparecieron en Pubmed, el médico intuye que las anomalías de respuesta en el músculo temporal a través de la prueba del reflejo H dependen de una propagación de la corriente de estímulo en el incendio provocado no estructurado y, por lo tanto, investiga más el bucle por interrogando a la red en busca de una palabra clave adicional, los 'impulsos laterales de esperanza', que cierra definitivamente el proceso cognitivo de la 'red neuronal' con un artículo cercano a nuestras hipótesis clínicas sobre la paciente Mary Poppins y que es 'La transmisión efáptica es el origen de la respuesta muscular anormal que se observa en el espasmo hemifacial.'
  

  Figura 4: Los enlaces activos del 'RNC' resaltados en la plantilla corresponden a la base de datos 'Pubmed' y se pueden documentar.

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:

1. A vision of 'Quantum Probability' of physical-chemical phenomena in complex biological systems which will be discussed extensively in the specific chapters.
2. 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 '$\tau$ Coherence Demarcator' described in the chapter '1st Clinical case: Hemimasticatory spasm'
3. 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 which substantially represents the current level of basic knowledge $KB_{t}$at question time and the $KB_{c}$ in the broadest specialist contexts.

A linear representation of this cognitive process labeled as $RNC_{1}$with the necessary annotations it could be the following:

$RNC_{1}=\sum ($Trigeminal Reflex,Demyelinating neuropathy, Latency,Amplitude,H-reflex, Masseter muscle, Temporal muscle, Heteronymous H reflex in temporal muscle as sign of hyperexcitability in ALS patients,Temporal muscle abnormal response$)$$\longrightarrow$Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm

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 '$\tau$ Coherence Demarcator' and the second the order of the cognitively selected keywords.

«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?»

By marking the network as $RNC_{2}$ with a dental initialization input ( Temporomandibular disorders) as follows:

$RNC_{2}=\sum ($Temporomandibular Disorders,Trigeminal reflex, Demyelinaying neuropathy, Latency$\longrightarrow$Side asymmetry of the jaw jerk in human craniomandibular dysfunction

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 $RNC$ 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.

Figure 5: Ending the 'RNC' loop with an initialization input of 'Tempororomandibular Disorders'

However, changing the order of the keywords in an exact cognitive path such as the neurological one essentially returns the same results as the previous one provided that the initialization command input is perfectly centred, as can be seen in the following simulation labeled with $RNC_{3}$:

$RNC_{3}=\sum ($Trigeminal reflex, amplitude latency demyelinating neuropathy $\longrightarrow$ H-reflex................

and reconnects to the previous one until closing in the output 'Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm' (Figure 6)

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 $KB_{t}$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 $KB_{t}$is updated to the database output.

To learn more about the methodological description of the 'Heteronimous H-Reflex', the reader is invited to follow Appendix 1.