Aktive Inferenz und der Prinzip des freien Energiewerts stellen die Kernaktivitäten der Medizin – Diagnose, Auswahl von Behandlungen und Aufrechterhaltung der physiologischen Stabilität – als Prozesse des Aufbaus und Aktualisierens generativer Modelle unter Unsicherheit dar. Die Literatur ist in mehreren Fachgebieten konzeptionell ausgereift (Psychiatrie, Schmerzmedizin, Neurologie), aber empirisch noch früh: die meisten Modelle sind theoretisch, phänomenologisch oder simulationsbasiert, mit sehr wenigen vollständig implementierten klinischen Systemen. Diese Seite fasst zusammen, warum die Medizin in den Rahmen passt, wo sich die Literatur derzeit befindet, welche konkreten Projekte und Werkzeuge existieren und welche Beweise weiterhin fehlen.
Warum der Bereich passt
Medizin ist fundamental von Wahrnehmung und Handlung unter Unsicherheit geprägt: Kliniker inferieren latente Krankheitszustände aus verrauschten Zeichen und Daten und wählen Maßnahmen, um Patienten zu bevorzugten Zuständen zu führen, während Patienten die Bedeutung sensorischer Empfindungen erschließen und auf diese Inferenzien handeln. Der freie-Energie-Prinzip behandelt Homöostase und Allästhese als Inferenzprobleme, bei denen Organismen Vorannahmen über bevorzugte physiologische Bereiche haben und Maßnahmen ergreifen, um erwartete freie Energie zu minimieren, wenn diese Bereiche verletzt werden. Viele Krankheiten können dann als Versagen von Inferenz und Kontrolle verstanden werden – Stoffwechselstörungen als Ausfälle generativer Modelle des Energihaushaltes, affektive Störungen als falsch kalibrierte interozeptive Erwartungen und chronische Schmerzen als maladaptives Präzisegewichten von nocizeptiven Vorhersagefehlern. Der Rahmen wurde auch über das Gehirn hinaus auf Morphogenese erweitert, wo Gewebe als Zellensembles modelliert werden, die freie Energie relativ zu einer Zielmorphologie minimieren, wodurch Bedingungen wie Krebs und Fibrose parallel als Versagen der kollektiven Inferenz gelesen werden können.
Zusammenfassung der Literatur
Die Psychiatrie ist der am weitesten entwickelte Anwendungsbereich: Die Überprüfung von 2024 von Moutoussis, Friston und Kollegen argumentiert, dass aktive Inferenz die Unterdisziplinen der Psychologie vereinfachen kann, indem sie Angststörungen, Depressionen, Psychosen und Autismus als Störungen in Prioritäten, Präzision und Politikwahl behandelt; Badcock und Friston interpretieren Depressionen als das Abtasten der Welt mit pessimistischen Prioritäten bezüglich Belohnung; und die von Barrett und Simmons sowie Smith und Fristons Arbeit über interozeptive Inferenz verknüpft psychosomatische und affektive Symptome mit falsch kalibrierten interozeptiven Prioritäten und Präzision. Die Neurologie folgt eng darauf, wobei Schwartenbeck und Kollegen's 2021 Brain-Papier Bewegung als Realisierung vorhergesagter sensorischer Trajektorien darstellt und Parkinson-Krankheit, Dystonie und funktionelle motorische Störungen als Ausfälle dieser Vorhersagemaschine analysiert. Die Forschung zu Schmerz und Placeboeffekten (Geuter et al.; Ciaunica et al.) modelliert Placebo-/Noceboe-Effekte und chronischen Schmerz als Verschiebungen in Prioritäten und Präzision bei nocizeptiven Vorhersagefehlern innerhalb eines aktiven Inferenzmodells. Über Fachgebiete hinweg wiederholt sich das Muster: Starke theoretische Entwicklung, zunehmendes Verhaltens- und Neuroimaging-Modellpassung, aber nur wenige Studien, die aktive Inferenz direkt mit konkurrierenden Frameworks wie Verstärkungslernen oder klassischen Bayesianischen Modellen vergleichen.
Schlüsselprojekte und Werkzeuge
Konkrete Ingenieurbeispiele sind neuer und konzentrieren sich auf Onkologie, Robotik und digitale Zwillinge. Liu, Friston und Kollegen' "Belief-Space Control for Personalized Cancer Treatment via Active Inference" leitet ein erwartungsgemäßes Free-Energy-Ziel über die latente Tumorlast und die Arzneimittelsensitivkeit ab, wodurch Behandlungsrichtlinien das Reduzieren der Unsicherheit über die Tumoreffektivität mit dem Maximieren günstiger Ergebnisse ausgleichen – dies wurde anhand von simulierten Patientenverläufen demonstriert, nicht klinisch eingesetzt. Pezzulo, Friston und Kollegen schlagen "aktive digitale Zwillinge" vor, die nicht nur einen Patienten simulieren, sondern Tests, Behandlungen und Lebensstiländerungen vorschlagen und ihr generatives Modell aus Ergebnissen aktualisieren, wobei Free Energy für die Richtauswahl verwendet wird. Die Arbeit von Van de Laar und Kollegen über aktive-Inferenz-Controller zur Wahrnehmungs-Aktionsintegration wird als direkt auf chirurgische Robotik, Rehabilitationsgeräte und Assistenzsysteme übertragbar zitiert, und ein Artikel in Nature Digital Medicine aus dem Jahr 2025 schlägt aktive-Inferenz-inspirierte Prompting-Strategien vor, um die Zuverlässigkeit von LLM-basierten medizinischen Entscheidungshilfen zu verbessern, indem die Mensch-LLM-Interaktion als gekoppelte Inferenz behandelt wird. Auf Softwareseite weist der Bericht auf allgemeine Werkzeuge hin – SPM für die Bayes'sche Modellinversion von Neuroimaging-/Verhaltensdaten und Community Python-Bibliotheken wie pymdp für generative Modelle des Markov-Entscheidungsprozesses – die an diese medizinischen Anwendungsfälle angepasst werden, obwohl es noch keine standardisierte medizinische aktive-Inferenz-Bibliothek gibt.
Offene Probleme
Der Bericht identifiziert die empirische Validierung und den Modellvergleich als die dringendste Lücke: Aktive Inferenzmodelle in der Psychiatrie, Schmerzforschung und Neurologie benötigen Kopf-an-Kopf-Tests gegen Verstärkungslernen, Drift-Diffusion und klassische Bayes’sche Alternativen auf realen Patientendaten, nicht nur Simulationen. Identifizierbarkeit und Patientenheterogenität stellen eine zweite Herausforderung dar – generative Modelle verfügen über viele latente Parameter (Vorläufe, Präzision, Übergangswahrscheinlichkeiten), die es schwer machen, sie eindeutig aus den spärlichen, verrauschten Daten zu schätzen, die typisch für klinische Settings sind, was die Verwendung von Populations-Level-Vorläufen und identifizierungsoptimiertem Messungsdesign motiviert. Die Integration von Aktiver Inferenz mit Deep Learning und LLMs (unter Verwendung neuronaler Netze zur Parametrisierung von Beobachtungs-/Übergangsmustern, während Aktive Inferenz die Richtlinienauswahl handhabt) wird als eine offene Forschungsfront und nicht als ein gelöstes Muster gekennzeichnet. Schließlich wirft die klinische Übersetzung ungelöste regulatorische und ethische Fragen auf – adaptive, kontinuierlich aktualisierte probabilistische Systeme passen nicht zu regulatorischen Rahmenbedingungen, die für feste Algorithmen entwickelt wurden, und der Bericht fordert Pilotstudien zur Vertrauensbildung zwischen Arzt und Patient vor einer breiteren Einführung sowie eine lebhafte konzeptionelle Debatte darüber, ob das Prinzip der freien Energie überhaupt falsifizierbar genug ist, um als konkurrierendes Paradigma zu dienen.
Referenz-Grundgerüst
„Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.