Die Gesundheitsversorgung befasst sich mit der Regulierung biologischer Zustände, der Reduzierung der Unsicherheit über Krankheitsverläufe und der kontinuierlichen Auswahl von diagnostischen und therapeutischen Maßnahmen unter unvollständigen Beweisen — ein Problemset, das sich direkt auf die Kernkonstrukte der aktiven Inferenz bezieht, nämlich generative Modelle, Vorhersagefehler, erwartete freie Energie und Richtungsselektion. Im Laufe der letzten Dekade hat sich eine Literatur zu Computationeller Psychiatrie, Interozeption und Schmerz, digitalen Zwillingen, medizinischen Robotern und — vor allem kürzlich — der Sicherheit großer Sprachmodelle als klinische Entscheidungshilfsmittel entwickelt. Die meisten dieser Arbeiten sind theoretisch oder simulationsbasiert, aber Überblicke über Computationelle Psychiatrie und interzeptive Psychopathologie haben begonnen, den Bereich zu konsolidieren, und konzeptionelle Routenpläne für „Aktive Inferenz KI“ in der Medizin skizzieren, wie dieses Framework zu digitalen Zwillingen, präzisen Diagnosen und klinischer Entscheidungsunterstützung gelangen könnte.
Warum der Bereich passt
Klinische Praxis ist die kontinuierliche Inferenz verborgener Ursachen – Krankheitsverläufe – aus verrauschten, teilweisen und verzögerten Beobachtungen (Symptomen, Laborwerten, Bildgebung), gefolgt von Aktionsauswahl (Tests, Behandlungen), die das Lernen über den Zustand des Patienten gegen die Verbesserung der Ergebnisse ausbalancieren muss. Active Inference formalisiert dies als Minimierung der erwarteten freien Energie, die sich in epistemischen Wert (Auflösung von Unsicherheiten) und pragmatischem Wert (Erreichen erwünschter Ergebnisse) aufteilt und eine einzelne variationale Erklärung für Diagnose und Behandlungsentscheidung liefert. Der Schwerpunkt des Rahmens auf dem Aufrechterhalten physiologischer Variablen innerhalb lebensfähiger Grenzen entspricht auch Homeostase und Allostase: Interozeptische Signale werden als Beobachtungen behandelt, regulatorische Sollwerte als Priors und Störungen wie Angst, chronische Schmerzen oder Essstörungen als Konsequenzen ungenauer generativer Modelle oder maladaptiver Priors.
Zusammenfassung der Literatur
Die reifste Arbeit befindet sich in Psychologie und Psychiatrie: Badcock und Davey betrachten active inference als ein Kandidaten-Paradigmenwechsel für Lernen, Aufmerksamkeit und psychopathologische Störungen, während Kirchner et al. argumentieren, dass es Symptomprofile mit generativen Modellparametern (Prioritäten, Präzision) verknüpfen kann, um die personalisierte Behandlungsplanung zu leiten, beispielsweise Depression durch übermäßig pessimistische Prioritäten und reduzierte Präzision bei positiven Vorhersagefehlern zu modellieren. Interozeption und Schmerz bilden eine zweite Cluster: Paulus', Feinstein's und Khalsa's Bericht über interzeptive Pathophysiologie und Petzschner et al.'s Überprüfung von Interozeption und Allostase behandeln Angst, Panik und funktionelle somatische Störungen als Versagen der interzeptiven Inferenz, und eine spezifische active inference Theorie des Placebo-Analgetikums erklärt, wie das Gehirn Prioritäten aus widersprüchlichen Schmerzsignalen aktualisiert oder sie als Rauschen diskontinuert, was zu divergenten Placebo-Verläufen führt. Pio-Lopez et al. erweitern den Rahmen auf Morphogenese und schlagen vor, dass zelluläre und Gewebeverfahren Energie minimieren können, was letztendlich Krebs, Fibrose und regenerative Medizin neu definieren könnte, obwohl dies spekulativ ist. Eine Entscheidungsfindung Studie (Neuheit/Variabilität, veröffentlicht über eLife) bietet dem Feld den klarsten empirischen Vergleich, der zeigt, dass active inference Modelle bei der Erklärung von Verhalten und neuronalen Korrelaten der Erkundung standardmäßigen Verstärkungslernens überlegen sind.
Schlüsselprojekte und Werkzeuge
Der Bericht findet keine weit verbreiteten, für die Gesundheitsversorgung spezifischen aktiven Inferenzsoftware; Forscher passen derzeit allgemeine aktive Inferenzbibliotheken und benutzerdefinierten probabilistischen Programmiercode an klinische Konstrukte an, hauptsächlich für Simulationen und Parameteranpassung, nicht für eingesetzte Systeme. Drei benannte Anwendungsmuster stechen als die nächsten konkreten Projekte hervor: Eine ScienceDirect-Architektur für „aktive digitale Zwillinge“, die aktive Inferenz nutzen, um es Patienten- oder Organmodellen zu ermöglichen, aktiv Informationen zu suchen, anstatt passiv zu simulieren; ein Cancer Journal-Konzeptsbericht über „Aktive Inferenz KI und das räumliche Web für Medizin“, der virtuelle Tumorboards beschreibt, in denen digitale Zwillinge unter verschiedenen Behandlungsrichtlinien untersucht werden; und im Bereich Robotik die Royal Society Interface Fallstudie und Da Costa et al.'s Überprüfung, die aktive Inferenz zur Steuerung der Motorsteuerung von Robotern antreibt, mit klaren Erweiterungen für Prothesen und Rehabilitation. Eine 2025 npj Digital Medicine-Veröffentlichung schlägt vor, klinische LLM-Prompts selbst als aktive-Inferenz-Richtlinien zu behandeln, die gewählt werden, um die erwartete freie Energie über Modellausgaben zu minimieren, mit dem Ziel von LLM-basierten medizinischen Geräten.
Offene Probleme
Der zentrale Unterschied ist die Validierung: Aktive Inferenzmodelle von Depressionen, Interozeption oder Placeboeffekten wurden selten auf ihre Vorhersagekraft gegenüber klinischen Ergebnissen getestet oder rigoros mit einfacheren Modellen verglichen, und der Bereich benötigt standardisierte Pipelines für die Modellspezifikation, Kreuzvalidierung und prospektive Studien. Der Aufbau hierarchischer, mehrstufiger, multimodaler generativer Modelle, die das Gesundheitswesen erfordert – das Verknüpfen von molekularen, Organ- und Verhaltensdaten – ist technisch anspruchsvoll, wobei es offene Fragen zu State-Space-Design, fehlenden Daten und Inferenzalgorithmen im großen Maßstab gibt. Auch ethische und regulatorische Fragen sind ungelöst: Wie Präferenzen (Überleben, Symptomlinderung, Lebensqualität) als Priors kodiert werden sollten, wie man verhindern kann, dass generative Modelle verzerrte Priors aus historischen Daten erben, und wie explorative (epistemische) Aktionen begrenzt werden können, damit sie keine klinischen Risiken verursachen. Der Bericht behandelt digitale Zwillinge, Active Inference AI und LLM-Prompting-Strategien als konzeptionell und weitgehend nicht eingesetzt, fordert Pilot-Entscheidungsunterstützungsrollen mit menschlicher Aufsicht an, bevor überhaupt ein Schritt in Richtung eines autonomeren klinischen Einsatzes unternommen wird.
Referenz-Grundgerüst
Active Inference Institute», «Active Inference», «Act. Infer. Serve.», «InstituteOS», «EduActive», «ReInference», «Discord», «GitHub», «YouTube», «AII».