Encrypted code: Ephaptic transmission

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 '$\tau$ Coherence Demarcator' described in the chapter '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 $KB_{t}$ at the time of the query and $KB_{c}$ in the broader specialist contexts.

 

Article by  Gianni Frisardi · Flavio Frisardi

 

Introduction

In the chapter '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.

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.

This model, which we propose with the term 'Cognitive Neural Network' abbreviated as 'RNC' is a dynamic cognitive intellectual process of the clinician who interrogates the network for self-training. The 'RNC' is not a 'Machine Learning' because while the latter must be trained by the clinician, with statistical and prediction adjustments, the 'RNC' trains the clinician or rather directs the clinician to the diagnosis while always being questioned following a logical human, hence the term 'cognitive'.

In fact, some classic machine learning models, whose training in the laboratory gives positive results, fail when applied to the real context. This is typically attributed to a mismatch between the datasets the machine was trained with and the data it encounters in the real world. A practical example of this can be represented by the conflict of assertions encountered in the diagnostic process of our patient Mary Poppins between the dental and neurological context which only the support of the coherence demarcator $\tau$(cognitive process) managed to solve.

One of the limits of machine learning, therefore, is known as "data shift", or "data movement" and another underlying cause of the failure of some models outside the laboratory, is the "subspecification" 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. 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.

«Fascinating and provocative, explain to me in detail»
(... the model is essentially simple in its cognitive complexity)

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' which, through 'Systems Theory' models, quantify the system's responses to incoming stimuli, even in healthy subjects.

All this is replicated in the proposed 'RNC' model by dividing the process into incoming triggers (Input) and outgoing data (Output) to then be reiterated in a loop managed cognitively by the clinician up to the generation of a single node useful for the definitive diagnosis. The model basically breaks down as follows:

• Input: 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 $\tau$, 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 $\tau$', 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.

Figura 1: Rappresentazione grafica della 'RNC' proposto da Masticationpedia

• 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.

Initiation command

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:

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

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:

Figura 2: Wiki testo di una formula matematica. Notare il comando <math> di inizializzazione ed il comando </math> di chiusura dello script

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.

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 '<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

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

But what if the following string 00101011 00110010 01011100 01110011 01110101 01101101 which corresponds to the <math> command is not present in this code?

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.

In practice, without the initial and final command, the formula is well described in the following form that is understandable to us:

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

it would present itself in a way incomprehensible to most people.

+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.

Cognitive process

---

Il cuore del modello 'RNC' sta nel processo cognitivo riferito esclusivamente al clinico che ha in mano il timone mentre la rete rimane sostanzialmente la bussola che avverte del fuori rotta e/o suggerire altre rotte alternative ma la responsabilità decisionale è sempre riferita al clinico ( mente umana). In questo semplice definizione, lo percepiremo meglio a fine del capitolo, il sinergismo 'Rete neurale' e 'Processo cognitivo umano' del clinico sarà auto-implementante perchè da un lato il clinico viene addestrato o meglio guidato dalla rete neurale ( database) e quest'ultima verrà addestrata all'ultimo evento scientifico-clinico aggiornato. In sostanza la diagnosi definitiva aggiungerà un dato informativo in più alla conoscenza di base temporale $Kb_{t}$. Questo modello differisce sostanzialmente dal 'machine Learning' già solo osservando i due modelli nella loro configurazione strutturale ( Figura 1 e 3).

Figura 3: Rappresentazione grafica di una RNA archetipica in cui si può notare nel primo stadio di inizializzazione dove sono presenti cinque nodi di input mentre nel modello 'RNC' il primo stadio è composto da un solo nodo. Segui testo.

Nella figura 3 viene rappresentato una tipica rete neurale, note anche come NN artificiali. Queste NN artificiali tentano di utilizzare più livelli di calcoli per imitare il concetto di come il cervello umano interpreta e trae conclusioni dalle informazioni. NN sono essenzialmente modelli matematici progettati per gestire informazioni complesse e disparate e la nomenclatura di questo algoritmo deriva dal suo uso di "nodi" simili alle sinapsi nel cervello. Il processo di apprendimento di un NN può essere supervisionato o non supervisionato. Si dice che una rete neurale apprenda in modo supervisionato se l'output desiderato è già mirato e introdotto nella rete mediante l'addestramento dei dati mentre NN non supervisionato non ha tali output target preidentificati e l'obiettivo è raggruppare unità simili vicine in determinate aree del intervallo di valori. Il modulo supervisionato prende i dati (ad es. sintomi, fattori di rischio, risultati di laboratorio e di imaging) per l'addestramento su esiti noti e cerca diverse combinazioni per trovare la combinazione più predittiva di variabili. NN assegna più o meno peso a determinate combinazioni di nodi per ottimizzare le prestazioni predittive del modello addestrato.

La figura 1, invece, corrisponde al modello 'RNC' proposto e si può notare come il primo stadio di acquisizione è composto da un solo nodo mentre le 'Machine learning' al primo nodo più variabili in entrata hanno maggiore è la 'Predizione' in uscita. Si tenga conto, come detto, che il primo nodo ha un importanza fondamentale perchè deriva già da un processo cognitivo clinico che ha condotto il 'Demarcatore di Coerenza $\tau$' a determinare una prima assoluta scelta di campo. Dal comando di inizializzazione, dunque, la rete neurale si evolve in una serie di stati composti da un numero elevato di nodi per poi terminare ad un primo step di uno o due nodi per poi reiterare in un successivo loop di più nodi fino a terminarsi nell'ultimo nodo conclusivo ( decriptazione del codice). Il processo di inizializzazione del primo nodo, l'ultimo ed il rieiterare del loop è esclusiva del processo cognitivo umano del clinico e non di un automatismo statistico della machine learning tanto meno di stadi 'Hidden'. Tutti i loop aperti e chiusi devo essere conosciuti dal clinico.

Per un approfondimento sull'argomento è disponibile su Masticationpedia al capitolo 'An artificially intelligent (or algorithm-enhanced) electronic medical record in orofacial pain'

Ma vediamo nel dettaglio come si edifica una 'RNC'

Rete Neurale Cognitiva

In questo paragrafo ci sembra doveroso spiegare il processo clinico seguito con il supporto della 'RNC' seguendo step by step le interrogazioni cognitive alla rete e l'analisi cognitiva eseguita sui dati in risposta dalla rete. La mappa è stata anche riportata in figura 4 con i links alle risposte della rete che posso essere visualizzate per una più consistente documentazione:

• Demarcatore di Coerenza $\tau$: Come abbiamo precedente descritto il primo stap è un comando di inizializzazione di analisi della rete che deriva, appunto, da una precedente elaborazione cognitiva delle asserzioni nel contesto odontoiatrico $\delta _{n}$ e quello neurologico $\gamma _{n}$ a cui lo 'Demarcatore di Coerenza $\tau$' ha dato un peso assoluto eliminando, di fatto, dal processo il contesto odontoiatrico $\delta _{n}$. Da quanto emerge dalle asserzioni neurologiche $\gamma _{n}$ lo 'Stato' del Sistema Nervoso Trigeminale appare destrutturato evidenziando anomalie dei riflessi trigeminali per cui il comando di 'Inzializzazione' è lo 'Trigeminal Reflex' per andare a testare il database ( Pubmed).
• 1^st loop open: Questo comando di 'Inizializzazione', perciò, viene considerato come input iniziale per il database Pubmed che risponde con 2.466 dati clinici e sperimentali a disposizione del clinico. L'apertura della prima vera analisi cognitiva viene elaborata proprio sull'analisi del primo risultato della 'RNC' corrispondente a 'Trigeminale Reflex'. In questa fase ci si rende conto che una discreta percentuale di dati rilevano una corrispondenza tra anormalità dei riflessi trigeminali e problematiche di demielinizzazione per cui il 1^st loop open corrisponderà a: ' Demyelinating neuropathy' che restituirà 14 dati sensibili. Dietro la scelta di questa key c'è un prpcesso cognitivo attivo e dinamico del clinico. Dalle asserzioni nel contesto neurologico è stata ipotizzato una patologia neuropatica in cui considerare anche l'aspetto demielinizzante.
• 2^st loop open: Il processo continua focalizzando sempre più dettagliatamente le keywords che corrispondo al nostro dato elettrofisiologico risultato anomalo e cioè la latenza del jaw jerk. Questo input corrispondente a 'Latency' e restituisce 6 dati sensibili su cui elaborare un ulteriore reiterare del loop.
• 3^st loop open: Nelle asserzioni del contesto neurologico si osserva una anomalia anche di ampiezza del jaw jerk oltre che di latenza. Questo 3^st loop open corrisponde a ' Amplitude' e restituisce solo 2 dati su cui soffermarci per decidere la keyword per reiterare il loop oppure chiudere definitivamente il processo. Dal risultato si evince un articolo che descrive la valutazione elettrofisiologica delle neuropatie craniche che è stato considerato di basso peso specifico per i nostri scopi mentre l'altro articolo mette in evidenza alcune metodologie trigeminali per testare latenza, ampiezza dei muscoli masticatori tra cui H-reflex.
• 4^st loop closed: Il processo, perciò, continua inserendo la keywords algoritmica ' H-reflex ' che restituisce 3.701 dati scientifico clinici.
• 5^st loop open: Le anomalie evidenziate sono state principalmente verificate sui masseteri per cui si deduce che nel campione interrogato del 4^st loop closed possano essere intercettati keywords riguardanti il muscolo 'Masseter muscle', da qui il 5^st loop open che restituisce 30 dati disponibili per la 'RNC'
• 6^st loop open: Noi, però, non sappiamo se il danno neuropatico sia localizzato esclusivamente sul muscolo massetere oppure coinvolga anche il muscolo temporale per cui una ulteriore keywords algoritmica sarebbe la ' Temporal muscle' che restituisce 8 dati sensibili.
• 7^st loop open: 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 'H-refex eteronima sul muscolo temporale nei pazienti con Sclerosi Laterale Amiotrofica.
• 8^st loop closed: In questo singolo nodo il clinico potrebbe terminare il loop ma non avrebbe risolto nulla perchè non si è giunti ancora alla decodifica del messaggio criptato. Da notare che la metodica elettrofisiologica denominata 'H-reflex eteronoma' è in grado di evidenziare anomalie di risposta dal muscolo temporale per cui si è continuato il loop inserendo la seguente keyword specifica, ' Temporal muscle abnormal response' che restituisce 137 dati.
• 9^st loop open: Studiando i 137 articoli apparsi in Pubmed il clinico intuisce che le anormalità di risposta nel muscolo temporale attraverso il test della H-reflex dipendono da uno spread della corrente da stimolo nell'arsone destrutturato e quindi approfondisce ulteriormente il loop interrogando la rete di un ulteriore keyword la ' Lateral spera impulses' che chiude definitivamente il processo cognitivo della 'Rete Neurale' con un ravvicinato articolo alle nostre ipotesi cliniche che riguardano la paziente Mary Poppins e cioè 'Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm'
  

Conclusione

Come dimostrato la definizione di 'Spasmo Emimasticatorio' nella nostra paziente Mary Poppins non è stato un percorso clinicamente semplice, tuttavia, considerando i temi presentati nei capitoli precedente di Masticationpedia abbiamo a disposizione almeno tre elementi di supporto:

1. Una visione di 'Probabilità quantistica' dei fenomeni fisico chimici nei sistemi complessi biologici di cui si parlerà diffusamente nei capitoli specifici.
2. Un linguaggio più formale e meno vago rispetto al linguaggio naturale che indirizza l'analisi diagnostica al primo nodo di input della 'RNC' attraverso lo 'Demarcatore di Coerenza $\tau$' descritto nel capitolo '1° Clinical case: Hemimasticatory spasm'
3. Il processo della 'RNC' che essendo gestito e guidato esclusivamente dal clinico diviene un mezzo imprenscindibile per la diagnosi definitiva.

La 'RNC', infatti, è il risultato di un profondo processo cognitivo che si esegue su ogni passaggio dell'analisi in cui il clinico pesa le proprie intuizioni, chiarisce i propri dubbi, valuta i referti, considera i contesti ed avanza step by step confrontandosi con il risultato della risposta proveniente dal database che nel nostro caso è Pubmed che sostanzialmente rappresenta l'attuale livello di conoscenza di base $KB_{t}$ al tempo dell'interrogazione ed il $KB_{c}$ nei più ampi contesti specialistici.

Una rappresentare lineare di questo processo cognitivo etichettata come $RNC_{1}$con le dovute annotazioni potrebbe essere il seguente:

$RNC_{1}=\sum ($Trigeminal Reflex,Demyelinating neuropathy, Latency,Amplitude,H-reflex, Masseter muscle, Temporal muscle, H-refex eteronima sul muscolo temporale nei pazienti con Sclerosi Laterale Amiotrofica,Temporal muscle abnormal response$)$$\longrightarrow$Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm

Le annotazioni da rimarcare sono sostanzialmente due: la prima è l'inderogabile individuazione dell'input di inizializzazione che deriva dal contesto scelto attraverso il 'Demarcatore di Coerenza $\tau$ e la seconda l'ordine delle keywords cognitivamente selezionate.

«Cosa succede, infatti, alla 'RNC' se si considera il contesto odontoiatrico inserendo come input di inizializzazione la keyword ' Temporomandibular Disorders' mantenendo tutto il resto immutato?»

Contrassegnando la rete come $RNC_{2}$ con un input di inizializzazione odontoiatrico ( Temporomandibular disorders) nel modo seguente:

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

Il messaggio risulta corrotto, come precedente esposto riguardo la formula matematica, in quanto l'input di comando di inizializzazione ( Tempormandibular disorders) indirizza la rete per un insieme di dati, ben 20.514, che perdono le connessioni con una parte di sottoinsiemi. Pur mantenendo il resto della RNC simile alla precedente ( contesto neurologico) la rete si ferma alla keyword 'latency' mostrando un solo articolo scientifico che riguarda, ovviamente, la latenza del jaw jerk ma non correlata a disturbi neuropatici.( figura 5) L'errore nella scelta dell'input di comando di inizializzazione del processo RNC non solo corrompe il messaggio da decriptare ma rende vano tutto il lavoro a monte di analisi delle asserzioni cliniche discusso nei capitoli di logica di linguaggio.

Figura 5: Fine del loop della 'RNC' con un input di inizializzazione di 'Tempororomandibular Disorders'

Cambiando l'ordine, invece, delle keywords in un esatto percorso cognitivo come quello neurologico sostanzialmente restituisce gli stessi risultati del precedente purché l'input di comando di inizializzazione sia perfettamente centrato, come si può notare nel seguente simulazione etichettata con $RNC_{3}$:

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

e si riconnette al precedente fino a chiudersi nello output 'Ephaptic transmission is the origin of the abnormal muscle response seen in hemifacial spasm' ( Figura 6)

Figura 6: Processo della 'RNC' con l'ordine delle keywords cambiato.

Da notare che se questo capitolo fosse stato pubblicato su una rivista Scientifica Internazionale impattata ( Inpact Factor) lo $KB_{t}$ e contestualmente una ipotetica 'machine learning' si sarebbero arricchiti di un nuovo contenutoo quello della diagnosi di 'Spasmo emimasticatorio' definito seguendo la metodica elettrofisiologica della H-reflex eteronima. Questo conclusione ritornerà utile quando ripeteremo lo stesso procedimento per altri casi clinici in cui lo $KB_{t}$ è aggiornato all'output del database.

Per approfondire la descrizione metodologica della 'Heteronimous H-Reflex' si rimanda il lettore a seguire la Appendice 1.