Verschlüsselter Code: Ephaptische Übertragung

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

 

Article by  Gianni Frisardi · Flavio Frisardi

 

Einführung

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

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

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

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

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

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

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

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

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

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

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

Einweihungsbefehl

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

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

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

Abbildung 2: Wiki-Text einer mathematischen Formel. Beachten Sie den Initialisierungsbefehl <math> und den Script-Exit-Befehl </math>

wie Sie sehen können, hat es nichts mit verbaler Sprache zu tun, und tatsächlich hat das Gehirn seine eigene Maschinensprache, die nicht aus Vokalen, Konsonanten und Zahlen besteht, sondern aus Aktionspotentialen, Wellenpaketen, Frequenzen und Amplituden, elektrischen Populationen usw. was Wir beobachten einfach in einer elektroenzephalographischen Aufzeichnung (EEG), die genau die elektromagnetischen Felder auf der Kopfhaut der Aktivität der Dipole und der zerebralen Ionenströme darstellt, die sich im Gehirnvolumen ausbreiten.

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

00101011 00110010 01011100 01110011 01110101 01101101 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00111100 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01100011 01101111 01110011 01011100 01110100 01101000 01100101 01110100 01100001 01011111 01111011 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 01111101 01011100 01110011 01110001 01110010 01110100 01111011 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110001 00101001 01111101 00100000 01010000 00101000 01000001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 00101001 00001010 01010000 00101000 01000010 00111101 01011100 01100010 01100101 01110100 01100001 01111100 01100001 00111101 01011100 01100001 01101100 01110000 01101000 01100001 01011111 00110010 00101001

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

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

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

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

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

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

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

Kognitiver Prozess

---

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

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

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

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

Weitere Informationen zum Thema finden Sie auf Masticationpedia im Kapitel 'Eine künstlich intelligente (oder durch Algorithmen verbesserte) elektronische Patientenakte bei orofazialen Schmerzen'

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

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.