Inferencia activa y el principio de mínima energía libre replican las actividades centrales de la medicina — diagnóstico, selección de tratamientos y mantenimiento de la estabilidad fisiológica — como procesos de construcción y actualización de modelos generativos bajo incertidumbre. La literatura es conceptualmente madura en varias especialidades (psiquiatría, medicina del dolor, neurología) pero empíricamente temprana: la mayoría de los modelos son teóricos, fenomenológicos o basados en simulaciones, con muy pocos sistemas clínicos plenamente desplegados. Esta página revisa por qué la medicina encaja en el marco, dónde se encuentra actualmente la literatura, qué proyectos y herramientas concretas existen y qué evidencia aún falta.
¿Por qué el dominio encaja?
La medicina fundamentalmente trata sobre la percepción y la acción en condiciones de incertidumbre: los clínicos infieren estados latentes de enfermedad a partir de signos y datos ruidosos y eligen acciones para dirigir a los pacientes hacia estados preferidos, mientras que los pacientes infieren el significado de las sensaciones corporales y actúan sobre esas inferencias. El principio de energía libre recasting la homeostasis y la allostasis como problemas de inferencia, en los que los organismos mantienen creencias previas sobre rangos fisiológicos preferidos y seleccionan acciones que minimizan la energía esperada cuando esos rangos se violan. Muchas enfermedades pueden entonces entenderse como fallas de inferencia y control: trastornos metabólicos como fallas en modelos generativos del equilibrio energético, trastornos afectivos como expectativas interoceptivas mal calibradas y dolor crónico como ponderación de precisión maladaptativa de los errores de predicción nociceptivos. El marco también se ha extendido más allá del cerebro a la morfogénesis, donde los tejidos se modelan como conjuntos de células que minimizan la energía libre en relación con una morfología objetivo, dando lugar a condiciones como el cáncer y la fibrosis como fallas de inferencia colectiva.
Estado de la literatura
La psiquiatría es el área de aplicación más desarrollada: la revisión de 2024 de Moutoussis, Friston y colaboradores argumenta que la inferencia activa puede unificar las subdisciplinas de la psicología, abarcando la ansiedad, la depresión, la psicosis y el autismo como trastornos en los priors, la precisión y la selección de políticas; Badcock y Friston reinterpretaron la depresión como muestrear el mundo en línea con priors pesimistas sobre la recompensa; y los trabajos de Barrett y Simmons, así como el de Smith y Friston, sobre la inferencia interoceptiva vinculan los síntomas psychosomáticos y afectivos a priors interoceptivos mal calibrados y precisión. La neurología le sigue de cerca, con el artículo de 2021 de Brain de Schwartenbeck y colaboradores que enmarca el movimiento como la realización de trayectorias sensoriales previstas y analiza la enfermedad de Parkinson, la distonía y los trastornos motores funcionales como fallas de esa maquinaria predictiva. La investigación sobre el dolor y el efecto placebo (Geuter et al.; Ciaunica et al.) modela los efectos placebo/nocebo y el dolor crónico como cambios en los priors y la precisión sobre los errores de predicción nociceptivos dentro de una cuenta de inferencia activa global. En todas las especialidades, el patrón se repite: un fuerte desarrollo teórico, un ajuste de modelos conductual y neuroimagen creciente, pero pocas investigaciones que comparen directamente la inferencia activa frente a marcos competidores como el aprendizaje por refuerzo o los modelos bayesianos clásicos.
Proyectos y herramientas clave
Los ejemplos de ingeniería concreta son más nuevos y se concentran en oncología, robótica y gemelos digitales. El trabajo de Liu, Friston y colegas sobre "Control del espacio de creencias para el tratamiento del cáncer personalizado mediante la inferencia activa" deriva un objetivo libre de energía esperado sobre la carga tumoral latente y la sensibilidad a los fármacos, permitiendo que las políticas de tratamiento equilibren la reducción de la incertidumbre sobre la respuesta tumoral frente a la maximización de resultados favorables — demostrado en trayectorias de pacientes simuladas, no implementado clínicamente. Pezzulo, Friston y colegas proponen "gemelos digitales activos" que no solo simulan un paciente sino que proponen pruebas, tratamientos y cambios en el estilo de vida y actualizan su modelo generativo a partir de los resultados, utilizando la energía libre esperada para la selección de políticas. El trabajo de Van de Laar y sus colegas sobre controladores de inferencia activa para la integración percepción-acción se cita como directamente transferible a la robótica quirúrgica, dispositivos de rehabilitación y sistemas de asistencia, y un artículo de 2025 en Nature Digital Medicine propone estrategias de solicitud inspiradas en la inferencia activa para hacer que las estrategias de soporte de decisiones médicas basadas en LLM sean más fiables al tratar la interacción humano-LLM como una inferencia acoplada. En cuanto a software, el informe señala herramientas generales de propósito: SPM para la inversión bayesiana de modelos de neuroimagen/comportamiento y bibliotecas Python comunitarias como pymdp para modelos generativos de procesos de decisión de Markov — se están adaptando a estos casos de uso médico, aunque aún no existe una biblioteca de inferencia activa médica estandarizada.
Problemas abiertos
El informe identifica la validación empírica y la comparación de modelos como la brecha más apremiante: los modelos de inferencia activa en psiquiatría, dolor y neurología necesitan pruebas comparativas frente al aprendizaje por refuerzo, difusión decreciente y alternativas bayesianas clásicas con datos reales de pacientes, no solo simulaciones. La identificabilidad y la heterogeneidad del paciente representan un segundo desafío: los modelos generativos tienen muchos parámetros latentes (precios, precisión, probabilidades de transición) que son difíciles de estimar de forma única a partir de los datos escasos y ruidosos típicos de los entornos clínicos, lo que motiva priors a nivel poblacional y diseños de medición optimizados para la identificabilidad. La integración de la inferencia activa con el aprendizaje profundo y los LLM (utilizando redes neuronales para parametrizar modelos de observación/transición mientras que la inferencia activa maneja la selección de políticas) se señala como un frente de investigación abierto en lugar de un patrón resuelto. Finalmente, la traducción clínica plantea preguntas regulatorias y éticas sin resolver: los sistemas probabilísticos continuamente actualizados y adaptativos no encajan con los marcos regulatorios construidos para algoritmos fijos, y el informe pide estudios piloto sobre la confianza médico-paciente antes del despliegue generalizado, junto con un debate en vivo sobre si el principio de energía libre es lo suficientemente falsable como para servir como paradigma competitivo en absoluto.
Eje de Referencia
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.