¿Por qué el dominio encaja?
La práctica clínica es la inferencia continua de causas ocultas —procesos de enfermedad— a partir de observaciones ruidosas, parciales y retrasadas (síntomas, análisis de laboratorio, imágenes), seguida de la selección de acciones (pruebas, tratamientos) que deben equilibrar el aprendizaje sobre la condición del paciente frente a mejorar los resultados. La inferencia activa formaliza esto como la minimización de la energía libre esperada, que se descompone en valor epistémico (resolver la incertidumbre) y valor pragmático (lograr resultados preferidos), dando una única cuenta variacional del diagnóstico y la elección del tratamiento. El énfasis del marco en mantener las variables fisiológicas dentro de límites viables también se corresponde con la homeostasis y la allostasis: las señales interoceptivas se tratan como observaciones, los puntos de referencia regulatorios como priors y los trastornos como ansiedad, dolor crónico o trastornos alimentarios son consecuencias de modelos generativos inexactos o priors maladaptativos.
Estado de la literatura
El trabajo más maduro se encuentra en psicología y psiquiatría: Badcock y Davey consideran la inferencia activa como un paradigma unificador candidato a través del aprendizaje, la atención y la patofisiología, mientras que Kirchner et al. argumentan que puede vincular los perfiles de síntomas con los parámetros de los modelos generativos (priors, precisión) para guiar la selección de tratamientos personalizados, por ejemplo modelando la depresión mediante priors excesivamente pesimistas y una precisión reducida en los errores predictivos positivos. La interocepción y el dolor forman un segundo grupo: la cuenta de Paulus, Feinstein y Khalsa sobre la patofisiología interoceptiva y la revisión de Petzschner et al. sobre la interocepción y la allostasis tratan la ansiedad, el pánico y los trastornos somáticos funcionales como fallas en la inferencia interoceptiva, y una teoría específica de inferencia activa del placebo explica cómo el cerebro actualiza priors a partir de señales nociceptivas contradictorias o las descarta como ruido, produciendo trayectorias de placebo divergentes. Pio-Lopez et al. extienden el marco a la morfogenesis, proponiendo que los procesos celulares y tisulares minimizan la energía libre de maneras que podrían eventualmente redefinir el cáncer, la fibrosis y la medicina regenerativa, aunque esto sigue siendo especulativo. Un estudio sobre la toma de decisiones (novedad/variabilidad, publicado en eLife) ofrece lo más claro empíricamente de la disciplina, mostrando que los modelos de inferencia activa superan a las técnicas de aprendizaje por refuerzo estándar al explicar tanto el comportamiento como las correlaciones neuronales de la exploración.
Proyectos y herramientas clave
El informe no encuentra ningún software de inferencia activa ampliamente adoptado y específico para la atención médica; los investigadores actualmente adaptan bibliotecas generales de inferencia activa y código probabilístico personalizado a las construcciones clínicas, principalmente para simulación y ajuste de parámetros más que para sistemas implementados. Tres patrones de aplicación denominados destacan como lo más parecido a proyectos concretos: una arquitectura ScienceDirect para "gemelos digitales activos" que utilizan la inferencia activa para permitir que los modelos de pacientes o órganos busquen información activamente en lugar de simular pasivamente; un informe conceptual del Cancer Journal sobre "IA de inferencia activa y la red espacial para la medicina" que describe paneles virtuales de tumores donde se exploran gemelos digitales bajo diferentes políticas de tratamiento; y, en robótica, el caso de estudio de la Royal Society Interface y la revisión de Da Costa et al. que muestran que la inferencia activa impulsa el control motor del robot real, con extensiones claras esbozadas para prótesis y rehabilitación. Un artículo de 2025 en npj Digital Medicine propone tratar los prompts de LLM clínicos mismos como políticas de inferencia activa elegidas para minimizar la energía libre esperada sobre las salidas del modelo, apuntando a dispositivos médicos basados en LLM.
Problemas abiertos
La brecha central es la validación: los modelos de inferencia activa sobre depresión, interocepción o respuesta al placebo han sido raramente probados por su poder predictivo frente a resultados clínicos ni comparados rigurosamente con modelos más simples, y el campo necesita tuberías estandarizadas para la especificación del modelo, la validación cruzada y los ensayos prospectivos. Construir los modelos jerárquicos, multi-escala, multi-modal generativos que requiere la atención médica — vinculando datos moleculares, de órganos y conductuales — sigue siendo técnicamente difícil, con preguntas abiertas sobre el diseño del espacio de estados, los datos faltantes y los algoritmos de inferencia a escala. También quedan sin resolver las cuestiones éticas y regulatorias: cómo deben codificarse las preferencias (supervivencia, alivio de los síntomas, calidad de vida) como priors, cómo evitar que los modelos generativos hereden priors sesgados de los datos históricos y cómo limitar las acciones exploratorias (epistémicas) para que no introduzcan riesgos clínicos. El informe trata a los gemelos digitales, Active Inference AI y estrategias de solicitud de LLM como conceptuales y en gran medida sin implementar, solicitando roles de apoyo de decisión piloto con supervisión humana antes de cualquier movimiento hacia un uso clínico más autónomo.
Eje de Referencia
Active Inference Institute”, “Active Inference”, “Act. Infer. Serve.", "InstituteOS", "EduActive", "ReInference", "Discord", "GitHub", "YouTube", "AII”.