经历了无人驾驶车跟踪和怀疑家里有东西进来过以后，贝鲁斯虽然天性乐观，但这一次他不得不允许自己更神经质一些。

数据器不停的计算着案件与案件之间的关联性，但似乎都是显而易见的关联，数据分析和深度学习的结果并不叫贝鲁斯满意。

一些重要的东西被忽略了，他隐隐觉得。数据器的表现不该那么刻板，它完全应该更具创造性，至少找到一些自己未曾留意的关联和有效特征。

但是数据器在这项任务上显然有些偷懒。

当人类不知道答案而需要机器给出预测答案时，机器偷懒事实上无法用客观数据来评价。

它更像是一种人类情感的投射。贝鲁斯很清楚自己正处在这种情感投射的沼泽中。

他重新调整了参数，打算再等一个晚上，最近几周他调整了几项维度，但依旧没有进展，甚至没有包含他隐约感到不安的东西。

数据分析器中的一个案例发生在东南亚——六年前一项骨科手术。

从时间来看这个案例发生的事件和弗利母亲的麻醉事故发生时间相差两个月。

一个发生在泰国，一个发生在西雅图。

这两个案例原本贝鲁斯归在两个不同分类中，但三年前他在走访这家位于曼谷的医院时，得到了患者死亡的消息，死亡时间和弗利母亲的死亡时间分别在五年前的3月21日和3月20日。

这根本就是同一天。如果不是对弗利母亲案例比较在意，贝鲁斯也许无法发现这一点联系。

但是他发现了，人类的直觉告诉他这不会是一个巧合，但是数据器却认为这件事情在统计上没有特别价值。

也许是模型设置有问题，这个问题他现在不需要再依赖数据器自身设计的模型来调整，他想到一个更好的办法，找弗利来帮忙。

他应该没有理由拒绝这件事，尤其当他知道了母亲的事故也许并不是一场纯粹的机器人治疗意外。

贝鲁斯很清楚“医疗意外”和“事故”是两个绝对不能混淆的词，“意外”是指意料中发生的不可预测及难以人为控制的事情；而“事故”则截然不同，“事故”必然存在着不合理的操作，或者疏忽以及错误的行为和选择。

十几年来，机器人手术已经最大可能的减少了人为因素造成的医疗事故，尤其在手术进程中。

但令贝鲁斯感到困扰的是，这项数据太低了，低到几乎可以让70%的外科医生失业，甚至这几年远程手术也已经成为手术治疗的选项之一。

这让一些经验不丰富、技术不具备特长的外科医生逐渐失去丰厚的收入甚至失业。

数据器从一开始就运算出机器人在贝鲁斯收集的案例中扮演的至关重要角色。

逐步增加患者死亡时间这项参数后，一星期以来每天睡觉前贝鲁斯都让模型进行运算，可是依然没有特别有用的结果出现。