Code crypté : transmission éphaptique

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 ' '$\tau$ 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 $KB_{t}$ au moment de la requête et $KB_{c}$ dans les contextes spécialisés plus larges.

 

Article by  Gianni Frisardi · Flavio Frisardi

 

Introduction

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

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 $\tau$(processus cognitif) réussi à résoudre.

L'une des limites de l'apprentissage automatique est donc connue sous le nom de "décalage de données", ou "mouvement de données" et une autre cause sous-jacente de l'échec de certains modèles en dehors du laboratoire, est la "sous-spécification" 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.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 $\tau$,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 $\tau$', 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 :

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

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

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 $Kb_{t}$. 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 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. 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.. 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.

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' $\tau$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

Cognitive Neural Network

In this paragraph it seems necessary to explain the clinical process followed with the support of the 'RNC' following step by step the cognitive queries to the network and the cognitive analysis performed on the data in response from the network. The map has also been shown in figure 4 with links to the network responses that can be viewed for more consistent documentation:

• Coherence Demarcator $\tau$: 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 $\delta _{n}$ and the neurological one $\gamma _{n}$ to which the ' $\tau$ Coherence Demarcator' gave absolute weight by effectively eliminating the dental context $\delta _{n}$ from the process . From what emerges from the neurological assertions $\gamma _{n}$ the 'State' of the Trigeminal Nervous System appears unstructured highlighting anomalies of the trigeminal reflexes for which the 'Initialization' command is the 'Trigeminal Reflex' to go and test the database (Pubmed).
• 1^st 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^st loop open will correspond to: 'Demyelinating neuropathy'' 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 considered.
• 2^st loop open: 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 'Latency' and returns 6 sensitive data on which to process a further iteration of the loop.
• 3^st 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^st open loop corresponds to 'Amplitude' and returns only 2 data points on which to dwell to decide the keyword to reiterate the loop or definitively close the process. The result shows an article describing the electrophysiological evaluation of cranial neuropathies that was considered of low specific weight for our purposes while the other article highlights some trigeminal methodologies to test latency, amplitude of masticatory muscles including H-reflex .
• 4^st loop closed: The process, therefore, continues by inserting the algorithmic keyword 'H-reflex ' which returns 3,701 clinical scientific data.
• 5^st loop open: The anomalies highlighted were mainly verified on the masseters so it can be deduced that keywords concerning the 'Masseter muscle' can be intercepted in the interrogated sample of the 4^st closed loop, hence the 5^st open loop which returns 30 data available for the 'RNC'
• 6^st 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 'Temporal muscle' which returns 8 sensitive data.
• 7^st loop open: From a careful analysis of this 7th open loop one wonders if these electrophysiological anomalies can be highlighted in patients with sclerosis and being present in the patient's clinical history, a previous diagnosis of 'Morphea' it was opted to interrogate the 'Network' of a further keyword and focused on 'Sclerosis' which gave only one sensitive data 'heteronymous H-refex on the temporalis muscle in patients with Amyotrophic Lateral Sclerosis.
• Da una analisi acurata di questo 7^st 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 'Heteronymous H reflex in temporal muscle as sign of hyperexcitability in ALS patients
• 8^st 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, ' Temporal muscle abnormal response' which returns 137 data.
• 9^st 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 'Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm'
  

  Figure 4: The active links of the 'RNC' highlighted in the template correspond to the 'Pubmed' database and can be documented.

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.