Changes

[[File:Spasmo_emimasticatorio_JJ.jpg|alt=|left|250x250px]]

[[File:Spasmo_emimasticatorio_JJ.jpg|alt=|left|250x250px]]

En este capítulo, discutiremos la lógica del lenguaje junto con la probabilidad matemática.. Hemos visto que [[The logic of classical language|lógica clásica]] por sí sola es insuficiente para determinar diagnósticos precisos; por lo tanto, se ofrece una descripción general conceptual y formal de por qué la probabilidad puede ser muy útil.. Incluyendo ilustraciones de casos de casos clínicos, veremos cómo la lógica del lenguaje probabilístico es capaz de proporcionarnos un diagnóstico diferencial de una manera "suficientemente buena"..  

En este capítulo, discutiremos la lógica del lenguaje junto con la probabilidad matemática.. Hemos visto que [[The logic of classical language|lógica clásica]] por sí sola es insuficiente para determinar diagnósticos precisos; por lo tanto, se ofrece una descripción general conceptual y formal de por qué la probabilidad puede ser muy útil.. Incluyendo ilustraciones de casos de casos clínicos, veremos cómo la lógica del lenguaje probabilístico es capaz de ofrecernos un diagnóstico diferencial de una manera "suficientemente buena"..  

La conclusión es que es posible demostrar que, incluso con la sola adición del razonamiento probabilístico, no es posible determinar diagnósticos exactos, por lo que se buscan otros enriquecimientos para nuestro lenguaje..  

La conclusión es que es posible demostrar que, incluso con la sola adición del razonamiento probabilístico, no es posible determinar diagnósticos exactos, por lo que se buscan otros enriquecimientos para nuestro lenguaje..  

==Lógica probabilística del lenguaje en medicina==

==Lógica probabilística del lenguaje en medicina==

Toda idea científica (ya sea en medicina, arquitectura, ingeniería, química o cualquier otra materia), cuando se pone en práctica, está sujeta a pequeños errores e incertidumbres.. Las matemáticas, a través de la teoría de la probabilidad y la inferencia estadística, ayudan a controlar con precisión y, por lo tanto, a contener estas incertidumbres.. Siempre hay que tener en cuenta que en todos los casos prácticos "los resultados también dependen de muchos otros factores externos a la teoría", ya sean condiciones iniciales y ambientales, errores experimentales u otra cosa..  

Cada idea científica (ya sea en medicina, arquitectura, ingeniería, química o cualquier otra materia), cuando se pone en práctica, está sujeta a pequeños errores e incertidumbres.. Las matemáticas - a través de la teoría de la probabilidad y la inferencia estadística - ayudan a controlar con precisión y, por lo tanto, a contener estas incertidumbres.. Siempre hay que tener en cuenta que en todos los casos prácticos "los resultados también dependen de muchos otros factores externos a la teoría", ya sean condiciones iniciales y ambientales, errores experimentales u otra cosa..  

Todas las incertidumbres sobre estos factores hacen que la relación teoría-observación sea probabilística. En el enfoque médico, hay dos tipos de incertidumbre que más pesan en los diagnósticos: la incertidumbre subjetiva y la casualidad..<ref>{{Cite book  

Todas las incertidumbres sobre estos factores hacen que la relación teoría-observación sea probabilística. En el enfoque médico, hay dos tipos de incertidumbre que más pesan en los diagnósticos: la incertidumbre subjetiva y la casualidad..<ref>{{Cite book  

Por lo tanto, en este escenario resulta esencial distinguir entre estas dos incertidumbres y mostrar que el concepto de probabilidad tiene significados diferentes en estos dos contextos..  

Por lo tanto, en este escenario resulta esencial distinguir entre estas dos incertidumbres y mostrar que el concepto de probabilidad tiene significados diferentes en estos dos contextos..  

Intentaremos exponer estos conceptos vinculando cada paso crucial con el enfoque clínico que se ha informado en los capítulos anteriores y, en particular, el enfoque en el contexto dental y neurológico en la lucha por la primacía del diagnóstico para nuestra querida Mary Poppins..

Intentaremos exponer estos conceptos vinculando cada paso crucial con el acercamiento clínico que se ha informado en los capítulos anteriores y, en particular, el acercamiento en el contexto dental y neurológico en la lucha por la primacía del diagnóstico para nuestra querida Mary Poppins..

==Incertidumbre subjetiva y siniestro==

==Incertidumbre subjetiva y aleatoriedad==

Imaginemos preguntarle a Mary Poppins cuál de los dos colegas médicos - el dentista o el neurólogo - tiene razón..  

Imaginemos preguntarle a Mary Poppins cuál de los dos colegas médicos — el dentista o el neurólogo — tiene razón..  

La pregunta crearía una especie de agitación basada en la incertidumbre interior; por tanto, las nociones de certeza e incertidumbre se refieren a estados epistémicos subjetivos del ser humano y no a estados del mundo externo, porque no hay certeza ni incertidumbre en ese mundo. En este sentido, como hemos mencionado, hay un mundo interior y un mundo fuera de nosotros que ambos no responden a cánones de incertidumbre, pero sí de probabilidad.  

La pregunta crearía una especie de agitación basada en la incertidumbre interior; entonces, las nociones de certeza e incertidumbre se refieren a estados epistémicos subjetivos del ser humano y no a estados del mundo externo, porque no hay certeza ni incertidumbre en ese mundo. En este sentido, como hemos mencionado, hay un mundo interior y un mundo fuera de nosotros que ambos no responden a cánones de incertidumbre, pero sí de probabilidad.  

Mary Poppins puede estar subjetivamente segura o insegura de si sufre de TMD o una forma neuropática o neuromuscular de OP: esto porque la "incertidumbre" es un estado epistémico subjetivo por debajo del umbral del conocimiento y la creencia; de ahí el término.  

Mary Poppins puede estar subjetivamente segura o insegura de si sufre de TMD o de una forma neuropática o neuromuscular de OP: esto porque la "incertidumbre" es un estado epistémico subjetivo por debajo del umbral del conocimiento y la creencia; de ahí el término.  

====Incertidumbre subjetiva====

====Incertidumbre subjetiva====

*‘Subjetivo’ No significa arbitrario.

*‘Subjetivo’ No significa arbitrario.

La llamada "objetividad", tal como la perciben quienes están fuera de la investigación científica, se define cuando una comunidad de seres racionales comparte el mismo estado de información. Pero incluso en este caso, se debería hablar más propiamente de "intersubjetividad" (es decir, el intercambio, por un grupo, de opiniones subjetivas).  

La así llamada "objetividad", tal como la perciben quienes están fuera de la investigación científica, se define cuando una comunidad de seres racionales comparte el mismo estado de información. Pero incluso en este caso, se debería hablar más propiamente de "intersubjetividad" (es decir, el intercambio, por un grupo, de opiniones subjetivas).  

En los casos clínicos -  precisamente porque los pacientes rara vez poseen nociones avanzadas de medicina -  debe tenerse en cuenta la incertidumbre subjetiva. Vivir con incertidumbre requiere que usemos un enfoque probabilístico.

En los casos clínicos — precisamente porque los pacientes rara vez poseen nociones avanzadas de medicina — debe tenerse en cuenta la incertidumbre subjetiva. Vivir con incertidumbre requiere que usemos un acercamiento probabilístico.

======Casualidad======

======Casualidad======

La casualidad indica la falta de una cierta conexión entre causa y efecto. La incertidumbre de una estrecha unión entre la fuente y el fenómeno es uno de los problemas más adversos para determinar un diagnóstico.  

La casualidad indica la falta de una cierta conexión entre causa y efecto. La incertidumbre de una estrecha unión entre la fuente y el fenómeno es uno de los problemas más adversos para determinar un diagnóstico.  

En un caso clínico, un fenómeno <math>A(x)</math> (como por ejemplo una maloclusión, una mordida cruzada, una mordida abierta, etc.) se asocia aleatoriamente con otro fenómeno <math>B(x)</math> (como la degeneración ósea de la ATM); cuando hay excepciones para las cuales la proposición lógica <math> A (x) \ rightarrow B (x) </math> no siempre es cierta (pero lo es la mayor parte del tiempo), diremos que la relación <math> A (x) \ rightarrow B (x) </math> no siempre es cierto pero es probable.

En un caso clínico, un fenómeno <math>A(x)</math> (como por ejemplo una maloclusión, una mordida cruzada, una mordida abierta, etc.) se asocia aleatoriamente con otro fenómeno <math>B(x)</math> (como la degeneración ósea de la ATM); cuando hay excepciones para las cuales la proposición lógica <math>A(x) \rightarrow B(x)</math> no siempre es cierta (pero lo es la mayor parte del tiempo), diremos que la relación <math>A(x) \rightarrow B(x)</math> no siempre es cierto pero es probable.

{{q2|Pasamos de una condición determinista a una estocástica.|}}

{{q2|Estamos pasando de una condición determinista a una estocástica.|}}

==Probabilidad subjetiva y objetiva==

==Probabilidad subjetiva y objetiva==

|DOI=10.1007/978-94-007-2260-6

|DOI=10.1007/978-94-007-2260-6

|OCLC=

|OCLC=

}}.</ref>, quienes abordan el problema de la lógica del lenguaje médico, son retomados y remodelamos su contenido remitiéndolos a nuestro caso clínico de Mary Poppins, para acercar nuestra comprensión a los contextos dentales.

}}.</ref>, que aborda el problema de la lógica del lenguaje médico, son retomados y remodelamos sus contenidos remitiéndolos a nuestro caso clínico de Mary Poppins, para acercar nuestra comprensión a los contextos dentales.

Se dice que los sucesos aleatorios y subjetivamente inciertos son probables; en consecuencia, la casualidad y la incertidumbre se tratan como probabilidades cualitativas, comparativas o cuantitativas.

Se dice que los sucesos aleatorios y subjetivamente inciertos son probables; en consecuencia, la casualidad y la incertidumbre se tratan como probabilidades cualitativas, comparativas o cuantitativas.

#Mary Poppins probablemente sufre de TMD (término cualitativo).

#Mary Poppins probablemente sufre de TMD (término cualitativo).

#Mary Poppins tiene más probabilidades de tener TMD que OP neuropático (término comparativo: número de casos diagnosticados de TMD versus _n OP.

#Mary Poppins tiene más probabilidades de tener TMD que OP neuropático (término comparativo: número de casos diagnosticados de TMD versus _n OP.

#La probabilidad de que Mary Poppins tenga TMD es de 0,15 (término cuantitativo, relativo a la población).

#La probabilidad de que Mary Poppins tenga TMD es de 0,15 (término cuantitativo, relativo a la población).

===Probabilidad subjetiva===

===Probabilidad subjetiva===

En un contexto de incertidumbre subjetiva humana, los datos probabilísticos, cualitativos, comparativos y / o cuantitativos pueden ser interpretados por el médico como una medida de incertidumbre subjetiva, con el fin de hacer que los 'estados de convicción' sean numéricamente representables..

En un contexto de incertidumbre subjetiva humana, los datos probabilísticos, cualitativos, comparativos y/o cuantitativos pueden ser interpretados por el médico como una medida de incertidumbre subjetiva, con el fin de hacer que los 'estados de convicción' sean numéricamente representables..

Por ejemplo, decir que "la probabilidad de que Mary Poppins se vea afectada por TMD es de 0,15 de los casos" es lo mismo que decir "en la medida del 15%, creo que Mary Poppins está afectada por TMD"; lo que significa que el grado de convicción es el grado de probabilidad subjetiva.

Por ejemplo, decir que "la probabilidad de que Mary Poppins se vea afectada por TMD es de 0,15 de los casos" es lo mismo que decir "en la medida del 15%, creo que Mary Poppins está afectada por TMD"; lo que significa que el grado de convicción es el grado de probabilidad subjetiva.

  }}</ref> ([https://en.wikipedia.org/wiki/Deductive-nomological_model deductive-nomological model]<ref>''Modelo DN de explicación científica'', también conocido como ''Modelo de Hempel'', ''Hempel–Oppenheim model'', ''Popper–Hempel model'', o ''modelo de ley de cobertura''</ref>). Pero esto no es realista, ya que el conocimiento médico utilizado en la toma de decisiones clínicas difícilmente contiene leyes deterministas causales que permitan explicaciones causales y, por ende, formular diagnósticos clínicos, entre otras cosas en el contexto de especialistas. Intentemos analizar nuevamente el caso de nuestras Mary Poppins, esta vez con un enfoque probabilístico-causal.

  }}</ref> ([https://en.wikipedia.org/wiki/Deductive-nomological_model deductive-nomological model]<ref>''Modelo DN de explicación científica'', también conocido como ''Modelo de Hempel'', ''Hempel–Oppenheim model'', ''Popper–Hempel model'', o ''modelo de ley de cobertura''</ref>). Pero esto no es realista, ya que el conocimiento médico utilizado en la toma de decisiones clínicas difícilmente contiene leyes deterministas causales que permitan explicaciones causales y, por ende, formular diagnósticos clínicos, entre otras cosas en el contexto de especialistas. Intentemos analizar nuevamente el caso de nuestras Mary Poppins, esta vez con un enfoque probabilístico-causal.

Consideremos un número <math> n </math> de personas, incluidas las personas que informan de dolor orofacial que generalmente tienen degeneración ósea de la articulación temporomandibular. Sin embargo, también puede haber otras causas aparentemente no relacionadas. Debemos traducir matemáticamente la "relevancia" que tienen estas incertidumbres causales a la hora de determinar un diagnóstico.

Consideremos un número <math>n</math> de personas, incluidas las personas que informan de dolor orofacial que generalmente tienen degeneración ósea de la articulación temporomandibular. Sin embargo, también puede haber otras causas aparentemente no relacionadas. Debemos traducir matemáticamente la "relevancia" que tienen estas incertidumbres causales a la hora de determinar un diagnóstico.

===La relevancia casual===

===La relevancia casual===

Para hacer esto, consideramos el grado de relevancia causal <math> (cr) </math> de un evento <math> E_1 </math> con respecto a un evento <math> E_2 </math> donde:

Para hacer esto, consideramos el grado de relevancia causal <math>(cr)</math> de un evento <math>E_1</math> con respecto a un evento <math>E_2</math> donde:

*<math>E_1</math> = pacientes con degeneración ósea de la articulación temporomandibular.

*<math>E_1</math> = pacientes con degeneración ósea de la articulación temporomandibular.

Usaremos la probabilidad condicional <math>P(A \mid B)</math>, que es la probabilidad de que el evento <math>A</math> ocurra solo después de que el evento <math>B</math> haya ya ocurrió.

Usaremos la probabilidad condicional <math>P(A \mid B)</math>, que es la probabilidad de que el evento <math>A</math> ocurra solo después de que el evento <math>B</math> haya ya ocurrió.

Con estas premisas la relevancia causal <math> cr </math> de la muestra <math> n </math> de pacientes es:

Con estas premisas la relevancia causal <math>cr</math> de la muestra <math>n</math> de pacientes es:

<math>cr=P(E_2 \mid E_1)- P(E_2 \mid E_3)</math>

<math>cr=P(E_2 \mid E_1)- P(E_2 \mid E_3)</math>

dónde  

dónde  

:<math>P(E_2 \mid E_1)</math> indica la probabilidad de que algunas personas (entre <math> n </math> consideradas) sufran dolor orofacial causado por la degeneración ósea de la articulación temporomandibular,  

 

:<math>P(E_2 \mid E_1)</math> indica la probabilidad de que algunas personas (entre <math>n</math> consideradas) sufran dolor orofacial causado por la degeneración ósea de la articulación temporomandibular,

mientras  

mientras  

Dado que toda probabilidad sugiere que <math> P (A \ mid B) </math> es un valor entre <math> 0 </math> y <math> 1 </math>, el parámetro <math> (cr) < / math> será un número entre <math> -1 </math> y <math> 1 </math>.

 

Dado que toda probabilidad sugiere que <math>P(A \mid B)</math> es un valor entre <math>0</math> y <math>1</math>, el parámetro <math>(cr)</math> será un número entre <math>-1</math> y <math>1</math>.

Los significados que podemos darle a este número son los siguientes:  

Los significados que podemos darle a este número son los siguientes:  

</gallery>

</gallery>

<br />Sea entonces <math> P (D) </math> la probabilidad de encontrar, en la muestra de nuestras <math> n </math> personas, individuos que presenten los elementos pertenecientes al conjunto mencionado <math> D = \ {\ delta_1, \ delta_2, ..., \ delta_n \} </math>

<br />Sea entonces <math>P(D)</math> la probabilidad de encontrar, en la muestra de nuestras <math>n</math> personas, individuos que presenten los elementos pertenecientes al conjunto mencionado <math>D=\{\delta_1,\delta_2,...,\delta_n\} </math>

Para aprovechar la información proporcionada por este conjunto de datos, se introduce el concepto de partición de relevancia causal.:

Para aprovechar la información proporcionada por este conjunto de datos, se introduce el concepto de partición de relevancia causal.:

====La partición de la relevancia causal====

====La partición de la relevancia causal====

:Sea siempre <math> n </math> la cantidad de personas sobre las que tenemos que realizar los análisis, si dividimos (según ciertas condiciones, como se explica a continuación) este grupo en <math> k </math> subconjuntos <math> C_i </math> con <math> i = 1,2, \ dots, k </math>, se crea un clúster que se denomina "conjunto de particiones" <math> \ pi </math>:

:Sea siempre <math>n</math> la cantidad de personas sobre las que tenemos que realizar los análisis, si dividimos (según ciertas condiciones, como se explica a continuación) este grupo en <math>k</math> subconjuntos <math>C_i</math> con <math>i=1,2,\dots,k</math>, se crea un clúster que se denomina "conjunto de particiones" <math>\pi</math>:

:<math>\pi = \{C_1, C_2,\dots,C_k \}  \qquad \qquad \text{with} \qquad \qquad C_i \subset n , </math>

:<math>\pi = \{C_1, C_2,\dots,C_k \}  \qquad \qquad \text{with} \qquad \qquad C_i \subset n , </math>

donde con el simbolismo <math> C_i \ subset n </math> indica que la subclase <math> C_i </math> está contenida en <math> n </math>.

donde con el simbolismo <math>C_i\subset n </math> indica que la subclase <math>C_i</math> está contenida en <math>n</math>.

La partición <math> \ pi </math>, para que se defina como una partición de relevancia causal, debe tener estas propiedades:

La partición <math>\pi</math>, para que se defina como una partición de relevancia causal, debe tener estas propiedades:

#Para cada subclase <math> C_i </math> se debe aplicar la condición <math> rc = P (D \ mid C_i) - P (D) \ neq 0, </math> es decir, la probabilidad de encontrar en el subgrupo <math > C_i </math> una persona que presenta los síntomas, signos clínicos y elementos pertenecientes al conjunto <math> D = \ {\ delta_1, \ delta_2, ..., \ delta_n \} </math>. Se dice que una partición causalmente relevante de este tipo es '' 'homogénea' ''.

#Para cada subclase <math>C_i</math> se debe aplicar la condición <math>rc=P(D \mid C_i)- P(D) \neq 0, </math> es decir, la probabilidad de encontrar en el subgrupo <math>C_i</math> una persona que presenta los síntomas, signos clínicos y elementos pertenecientes al conjunto <math>D=\{\delta_1,\delta_2,...,\delta_n\} </math>. Se dice que una partición causalmente relevante de este tipo es '' 'homogénea' ''.

#Cada subconjunto <math> C_i </math> debe ser 'elemental', es decir, no debe dividirse en otros subconjuntos, porque si estos existieran no tendrían relevancia causal..

#Cada subconjunto <math>C_i</math> debe ser 'elemental', es decir, no debe dividirse en otros subconjuntos, porque si estos existieran no tendrían relevancia causal..

Supongamos ahora, por ejemplo, que la muestra de población <math> n </math>, a la que pertenece nuestra buena paciente Mary Poppins, es una categoría de sujetos de 20 a 70 años. También suponemos que en esta población tenemos aquellos que presentan los elementos pertenecientes al conjunto de datos <math> D = \ {\ delta_1, ..... \ delta_n \} </math> que corresponden a las pruebas de laboratorio mencionadas anteriormente y precisan en '[[La lógica del clásico idioma]]'.

Supongamos ahora, por ejemplo, que la muestra de población <math>n</math>, a la que pertenece nuestra buena paciente Mary Poppins, es una categoría de sujetos de 20 a 70 años. También suponemos que en esta población tenemos aquellos que presentan los elementos pertenecientes al conjunto de datos <math>D=\{\delta_1,.....\delta_n\}</math> que corresponden a las pruebas de laboratorio mencionadas anteriormente y precisan en '[[La lógica del lenguaje clásico]]'.

Supongamos que en una muestra de 10,000 sujetos de 20 a 70 tendremos una incidencia de 30 sujetos <math> p (D) = 0.003 </math> mostrando signos clínicos <math> \ delta_1 </math> y <math > \ delta_4

Supongamos que en una muestra de 10,000 sujetos de 20 a 70 tendremos una incidencia de 30 sujetos <math>p(D)=0.003</math> mostrando signos clínicos <math>\delta_1</math> y <math>\delta_4</math>. Preferimos utilizar estos informes para la demostración del proceso probabilístico porque en la literatura los datos sobre los signos y síntomas clínicos de los trastornos temporomandibulares tienen una variación demasiado amplia y una incidencia demasiado alta en nuestra opinión..<ref name=":2">{{Cite book  

</math>. Preferimos utilizar estos informes para la demostración del proceso probabilístico porque en la literatura los datos sobre los signos y síntomas clínicos de los trastornos temporomandibulares tienen una variación demasiado amplia y una incidencia demasiado alta en nuestra opinión..<ref name=":2">{{Cite book  

  | autore = Pantoja LLQ

  | autore = Pantoja LLQ

  | autore2 = De Toledo IP

  | autore2 = De Toledo IP

====Situaciones clínicas====

====Situaciones clínicas====

Estas probabilidades condicionales demuestran que cada una de las cuatro subclases de la partición es causalmente relevante para los datos del paciente <math> D = \ {\ delta_1, ..... \ delta_n \} </math> en la muestra de población <math> PO </ math>. Dada la partición antes mencionada de la clase de referencia, tenemos las siguientes situaciones clínicas:

Estas probabilidades condicionales demuestran que cada una de las cuatro subclases de la partición es causalmente relevante para los datos del paciente <math>D=\{\delta_1,.....\delta_n\}</math> en la muestra de población <math>PO</math>. Dada la partición antes mencionada de la clase de referencia, tenemos las siguientes situaciones clínicas:

*Mary Poppins <math> \ in </math> degeneración de la articulación temporomandibular <math> \ cap </math> Trastornos temporomandibulares

*Mary Poppins <math>\in</math> degeneración de la articulación temporomandibular <math>\cap</math> Trastornos temporomandibulares

*Mary Poppins <math> \ in </math> degeneración de la articulación temporomandibular <math> \ cap </math> sin trastornos temporomandibulares

*Mary Poppins <math>\in</math> degeneración de la articulación temporomandibular <math>\cap</math> sin trastornos temporomandibulares

*Mary Poppins <math> \ in </math> sin degeneración de la articulación temporomandibular <math> \ cap </math> Trastornos temporomandibulares

*Mary Poppins <math>\in</math> sin degeneración de la articulación temporomandibular <math>\cap</math> Trastornos temporomandibulares

*Mary Poppins <math> \ in </math> sin degeneración de la articulación temporomandibular <math> \ cap </math> sin trastornos temporomandibulares

*Mary Poppins <math>\in</math> sin degeneración de la articulación temporomandibular <math>\cap</math> sin trastornos temporomandibulares

Para llegar al diagnóstico final anterior, realizamos un análisis probabilístico-causal del estado de salud de Mary Poppins, cuyos datos iniciales fueron <math> D = \ {\ delta_1, ..... \ delta_n \} </math>.  

Para llegar al diagnóstico final anterior, realizamos un análisis probabilístico-causal del estado de salud de Mary Poppins, cuyos datos iniciales fueron <math>D=\{\delta_1,.....\delta_n\}</math>.  

En general, podemos referirnos a un proceso lógico en el que examinamos los siguientes elementos:

En general, podemos referirnos a un proceso lógico en el que examinamos los siguientes elementos:

*una probabilidad base <math>P(D)=0,003</math>

*una probabilidad base <math>P(D)=0,003</math>

En este punto deberíamos introducir argumentos demasiado especializados que desviarían al lector del tema pero que tienen una alta importancia epistémica por lo que intentaremos extraer el hilo lógico más descrito del concepto Analysandum / Analysans..

En este punto deberíamos introducir argumentos demasiado especializados que desviarían al lector del tema pero que tienen una alta importancia epistémica por lo que intentaremos extraer el hilo lógico más descrito del concepto Analysandum/Analysans..

El análisis probabilístico-causal de <math> D = \ {\ delta_1, ..... \ delta_n \} </math> es entonces un par de las siguientes formas lógicas (Analysandum / Analysans<ref>{{Cite book  

El análisis probabilístico-causal de <math>D=\{\delta_1,.....\delta_n\}</math> es entonces un par de las siguientes formas lógicas (Analysandum / Analysans<ref>{{Cite book  

  | autore = Westmeyer H

  | autore = Westmeyer H

  | titolo = The diagnostic process as a statistical-causal analysis

  | titolo = The diagnostic process as a statistical-causal analysis

  }}</ref>):

  }}</ref>):

*'''Analysandum '' '<math> = \ {P (D), a \} </math>: es una forma lógica que contiene dos parámetros:' 'probabilidad' '<math> P (D) </math> para seleccionar una persona que tiene los síntomas y elementos pertenecientes al conjunto <math> D = \ {\ delta_1, \ delta_2, ..., \ delta_n \} </math>, y el '' individuo genérico '' <math> a </math> que es propenso a esos síntomas.

*'''Analysandum ''' <math> = \{P(D),a\}</math>: es una forma lógica que contiene dos parámetros: ''probabilidad'' <math>P(D)</math> de seleccionar una persona que tiene los síntomas y elementos pertenecientes al conjunto <math>D=\{\delta_1,\delta_2,...,\delta_n\}</math>, y el '' individuo genérico '' <math>a</math> que es propenso a esos síntomas.'''

*'''Analysan <math> = \ {\ pi, a, KB \} </math> '' ': es una forma lógica que contiene tres parámetros: la' 'partición' '<math> \ pi </math>, la' 'individuo genérico' '<math> a </math> perteneciente a la muestra de población <math> n </math> y' '<math> KB </math> (Knowledge Base)' 'que incluye un conjunto de <math> n </math> > n> 1 </math> enunciados de probabilidad condicionada.

*'''Analysan <math>= \{\pi,a,KB\}</math>''': es una forma lógica que contiene tres parámetros: la ''partición'' <math>\pi</math>, la ''individuo genérico'' <math>a</math> perteneciente a la muestra de población <math>n</math> y ''<math>KB</math> (Knowledge Base)'' que incluye un conjunto de <math>n>1</math> enunciados de probabilidad condicionada.'''

Por ejemplo, se puede concluir que el diagnóstico definitivo es el siguiente:

Por ejemplo, se puede concluir que el diagnóstico definitivo es el siguiente:

Tomamos un camino largo y tortuoso para comprender mejor la complejidad que encontró el colega que lucha con la gran responsabilidad ética de hacer un diagnóstico. Sin embargo, esta tarea se vuelve aún más compleja cuando necesitamos ser detallados y cuidadosos al realizar un diagnóstico diferencial..  

Tomamos un camino largo y tortuoso para comprender mejor la complejidad que encontró el colega que lucha con la gran responsabilidad ética de hacer un diagnóstico. Sin embargo, esta tarea se vuelve aún más compleja cuando necesitamos ser detallados y cuidadosos al realizar un diagnóstico diferencial..  

Aquí nos adentramos en un tema delicado, que se vincula con los contenidos epistemológicos y que en primer lugar se relató en la "[[Introducción]]". Nosotros estamos hablando de:

Aquí nos adentramos en un tema delicado, que se vincula con los contenidos epistemológicos y que en primer lugar se relató en la "[[Introducción]]". Estamos hablando de:

*'''Interdisciplinariedad''': <br>''En política científica, generalmente se reconoce que la resolución de problemas basada en la ciencia requiere investigación interdisciplinaria ('' 'IDR' ''), como propone el proyecto de la UE denominado Horizonte 2020.<ref>European Union, ''[https://ec.europa.eu/programmes/horizon2020/en/h2020-section/societal-challenges Horizon 2020]''</ref>. En un estudio reciente, los autores se centran en la cuestión de por qué los investigadores tienen dificultades cognitivas y epistémicas para realizar la IDR. Se cree que la pérdida del interés filosófico en la epistemología de la investigación interdisciplinaria es causada por un paradigma filosófico de la ciencia llamado "Paradigma Físico de la Ciencia", que impide el reconocimiento de importantes cambios de IDR tanto en la filosofía de la ciencia como en la investigación..<br>El paradigma filosófico alternativo propuesto, denominado 'Paradigma de la Ingeniería de la Ciencia', hace supuestos filosóficos alternativos sobre aspectos como el propósito de la ciencia, el carácter del conocimiento, los criterios epistémicos y pragmáticos para la aceptación del conocimiento y el papel de las herramientas tecnológicas. En consecuencia, los investigadores científicos necesitan los llamados andamios metacognitivos para ayudarlos en el análisis y la reconstrucción de cómo se construye el 'conocimiento' en diferentes disciplinas..<br>En la investigación interdisciplinaria, los andamios metacognitivos ayudan a la comunicación interdisciplinaria a analizar y articular cómo la disciplina genera conocimiento.<ref name=":0">{{cita libro  

*'''Interdisciplinariedad''': <br>''En política científica, generalmente se reconoce que la resolución de problemas basada en la ciencia requiere investigación interdisciplinaria ('''IDR'''), como propone el proyecto de la UE denominado Horizonte 2020.<ref>European Union, ''[https://ec.europa.eu/programmes/horizon2020/en/h2020-section/societal-challenges Horizon 2020]''</ref>. En un estudio reciente, los autores se centran en la cuestión de por qué los investigadores tienen dificultades cognitivas y epistémicas para realizar la IDR. Se cree que la pérdida del interés filosófico en la epistemología de la investigación interdisciplinaria es causada por un paradigma filosófico de la ciencia llamado "Paradigma Físico de la Ciencia", que impide el reconocimiento de importantes cambios de IDR tanto en la filosofía de la ciencia como en la investigación..<br>El paradigma filosófico alternativo propuesto, denominado 'Paradigma de la Ingeniería de la Ciencia', hace supuestos filosóficos alternativos sobre aspectos como el propósito de la ciencia, el carácter del conocimiento, los criterios epistémicos y pragmáticos para la aceptación del conocimiento y el papel de las herramientas tecnológicas. En consecuencia, los investigadores científicos necesitan los llamados andamios metacognitivos para ayudarlos en el análisis y la reconstrucción de cómo se construye el 'conocimiento' en diferentes disciplinas..<br>En la investigación interdisciplinaria, los andamios metacognitivos ayudan a la comunicación interdisciplinaria a analizar y articular cómo la disciplina genera conocimiento.<ref name=":0">{{cita libro  

  | autore = Boon M

  | autore = Boon M

  | autore2 = Van Baalen S

  | autore2 = Van Baalen S

  }}</ref>''

  }}</ref>''

Este concepto está ligado al tema discutido anteriormente en el que el colega debe ser consciente de su propia 'Incertidumbre subjetiva' (debido a un lenguaje lógico clásico 'enfermo o sano') y de la 'Incertidumbre objetiva' (debido a un lenguaje lógico probabilístico ' probablemente enfermo o probablemente sano '). No es complicado probar esta afirmación: la incertidumbre de la que hablamos deriva del hecho de que los elementos, afirmaciones, datos, clases y subclases mencionados y que construyen el aparato de la lógica del lenguaje probabilístico: Analysandum <math>  = \{P(D),a\}</math> y Analysan <math>  = \{P(D),a\}</math> son elementos que existen en un mundo específico, y en este caso en un contexto dental en el que el elemento <math> KB </math> del proceso indica indiscutiblemente un "conocimiento básico" solo en un contexto dental específico.

Este concepto está ligado al tema discutido anteriormente en el que el colega debe ser consciente de su propia 'Incertidumbre subjetiva' (debido a un lenguaje lógico clásico 'enfermo o sano') y de la 'Incertidumbre objetiva' (debido a un lenguaje lógico probabilístico ' probablemente enfermo o probablemente sano '). No es complicado probar esta afirmación: la incertidumbre de la que hablamos deriva del hecho de que los elementos, afirmaciones, datos, clases y subclases mencionados y que construyen el aparato de la lógica del lenguaje probabilístico: Analysandum <math>  = \{P(D),a\}</math> y Analysan <math>  = \{P(D),a\}</math> son elementos que existen en un mundo específico, y en este caso en un contexto dental en el que el elemento <math>KB</math> del proceso indica indiscutiblemente un "conocimiento básico" solo en un contexto dental específico.

Esta conclusión confirmada por el dentista fue la siguiente:   

Esta conclusión confirmada por el dentista fue la siguiente:   

<math>P(D| Deg.TMJ  \cap TMDs)=0.95</math>

<math>P(D| Deg.TMJ  \cap TMDs)=0.95</math>

o mejor: Creo en un 95% que Mary Poppins se ve afectada por TMD ya que tiene una degeneración de la articulación temporomandibular además de la positividad de los datos <math> D = \ {\ delta_1, \ dots \ delta_n \} </math>

o mejor: Creo en un 95% que Mary Poppins se ve afectada por TMD ya que tiene una degeneración de la articulación temporomandibular además de la positividad de los datos <math>D=\{\delta_1,\dots\delta_n\}</math>

Pero sucede algo extraño porque de la nada, un investigador, que usa 'andamios metacognitivos'<ref>{{Cite book  

Pero sucede algo extraño porque de la nada, un investigador, que usa 'andamios metacognitivos'<ref>{{Cite book  

{{q4|...Existe otro mundo o contexto, paralelo al tuyo, en el que además de los datos D hay otros datos desconocidos para ti?|}}

{{q4|...Existe otro mundo o contexto, paralelo al tuyo, en el que además de los datos D hay otros datos desconocidos para ti?|}}

y aumentar la dosis: somete a Mary Poppins a las siguientes pruebas electrofisiológicas del trigémino, etiquételas como lo hicimos anteriormente para los datos del conjunto <math> D = \ {\ delta_1, \ dots \ delta_n \} </math> generando otro conjunto que contenga un número <math> m </math> de datos desconocidos (que no pertenecen a la rama puramente dental) <math> C = \ {\ gamma_1, \ dots \ gamma_m \} </math> creando así un conjunto completamente nuevo que llamaremos <math> S_ {unknow} = D + C = \ {\ delta_1, \ dots, \ delta_n, \ gamma_1, \ dots, \ gamma_m \} </math> (llamado <math> S_ {unknown} </math> precisamente debido a la presencia de datos desconocidos para el contexto dental).

y aumentar la dosis: somete a Mary Poppins a las siguientes pruebas electrofisiológicas del trigémino, etiquételas como lo hicimos anteriormente para los datos del conjunto <math>D=\{\delta_1,\dots\delta_n\}</math> generando otro conjunto que contenga un número <math>m</math> de datos desconocidos (que no pertenecen a la rama puramente dental) <math>C=\{\gamma_1,\dots\gamma_m\}</math> creando así un conjunto completamente nuevo que llamaremos <math>S_{unknow}= D+C=\{\delta_1,\dots,\delta_n,\gamma_1,\dots,\gamma_m\}</math> (llamado <math>S_{unknown}</math> precisamente debido a la presencia de datos desconocidos para el contexto dental).

<math>\delta_1=</math> Informe radiológico positivo de la ATM en la Figura 2

<math>\delta_1=</math> Informe radiológico positivo de la ATM en la Figura 2