Pourquoi le domaine correspond
La pratique clinique est l'inférence continue des causes cachées — processus de maladie — à partir d'observations bruyantes, partielles et retardées (symptômes, analyses sanguines, imagerie), suivie du choix d'action (tests, traitements) qui doit équilibrer l'apprentissage de l'état du patient contre l'amélioration des résultats. L'inférence active formalise cela en minimisant l'énergie libre attendue, ce qui se décompose en valeur épistémique (résoudre l'incertitude) et valeur pragmatique (atteindre les résultats préférés), offrant ainsi une seule explication variationnelle du diagnostic et du choix thérapeutique. L'accent mis par le cadre sur le maintien des variables physiologiques dans des limites viables correspond également à l'homéostasie et à l'allostasie : les signaux interoceptifs sont traités comme des observations, les points de consigne régulateurs comme des a priori, et les troubles tels que l'anxiété, la douleur chronique ou les troubles du comportement alimentaire en tant que conséquences de modèles génératifs inexacts ou d'a priori mal adaptés.
État de la littérature
Le travail le plus abouti se situe en psychologie et en psychiatrie : Badcock et Davey considèrent l’inférence active comme un paradigme unificateur candidat à travers l’apprentissage, l’attention et la psychopathologie, tandis que Kirchner et al. soutiennent qu’elle peut relier les profils de symptômes aux paramètres des modèles génératifs (a priori, précision) pour guider la sélection de traitements personnalisés, par exemple en modélisant la dépression via des a priori trop pessimistes et une précision réduite sur les erreurs de prédiction positives. L’interoception et la douleur forment un deuxième groupe : le compte rendu de Paulus, Feinstein et Khalsa sur la psychopathologie interoceptive et l'examen de Petzschner et al. sur l'interoception et l'allostasie traitent l'anxiété, les crises de panique et les troubles psychosomatiques comme des échecs d’inférence active interoceptive, et une théorie spécifique de l’inférence active sur l’analgésie placebo explique comment le cerveau met à jour les a priori à partir de signaux nociceptifs contradictoires ou les diminue en tant que bruit, produisant des trajectoires de placebo divergentes. Pio-Lopez et al. étendent le cadre à la morphogenèse, proposant que les processus au niveau cellulaire et tissulaire minimisent l’énergie libre d’une manière qui pourrait éventuellement reframer le cancer, la fibrose et la médecine régénérative, bien que cela reste spéculatif. Une étude sur la prise de décision (nouveauté/variabilité, publiée dans eLife) offre au domaine les preuves empiriques les plus claires en face à face, montrant que les modèles d’inférence active surpassent l’apprentissage par renforcement standard pour expliquer à la fois le comportement et les corrélations neurales de l’exploration.
Projets et outils clés
Le rapport ne trouve aucune application logicielle d’inférence active largement adoptée dans le secteur de la santé ; les chercheurs adaptent actuellement des bibliothèques générales d’inférence active et du code probabiliste personnalisé aux constructions cliniques, principalement pour la simulation et l’ajustement de paramètres plutôt que pour des systèmes déployés. Trois schémas d’application nommés ressortent comme les choses les plus proches de projets concrets : une architecture ScienceDirect pour les « jumeaux numériques actifs » qui utilisent l’inférence active pour permettre aux modèles de patients ou d’organes de rechercher activement des informations plutôt que de simuler passivement ; un rapport conceptuel du Cancer Journal sur « l’IA inférence active et le web spatial pour la médecine » décrivant des tableaux de bord virtuels où les jumeaux numériques sont explorés sous différentes politiques de traitement ; et, en robotique, l’étude de cas de l’Interface Royal Society et l’examen de Da Costa et al. montrant que l’inférence active entraîne un contrôle moteur réel des robots, avec des extensions claires esquissées pour les prothèses et la réadaptation. Un article npj Digital Medicine de 2025 propose de traiter les invites de LLM cliniques elles-mêmes comme des politiques d’inférence active choisies pour minimiser l’énergie libre attendue sur les sorties du modèle, visant à créer des dispositifs médicaux basés sur des LLM.
Problèmes non résolus
Le principal écart est la validation : les modèles d’inférence active sur la dépression, l’interoception ou la réponse placebo ont rarement été testés pour leur pouvoir prédictif face aux résultats cliniques ou comparés rigoureusement à des modèles plus simples, et le domaine a besoin de pipelines standardisés pour la spécification des modèles, la validation croisée et les essais prospectifs. La construction de modèles hiérarchiques, multi-échelle, multi-modaux génératifs dont le secteur de la santé a besoin — reliant les données moléculaires, organiques et comportementales — reste techniquement difficile, avec des questions ouvertes sur la conception d’espace d’état, les données manquantes et les algorithmes d’inférence à grande échelle. Des questions éthiques et réglementaires sont également non résolues : comment les préférences (survie, soulagement des symptômes, qualité de vie) doivent-elles être encodées en a priori, comment empêcher les modèles génératifs d’hériter d’a priori biaisés à partir de données historiques et comment limiter les actions exploratoires (épistémiques) afin qu’elles n’introduisent pas de risques cliniques. Le rapport traite des jumeaux numériques, Active Inference AI et des stratégies de mise au point des LLM comme conceptuels et largement non déployés, appelant à des rôles de prise de décision pilotage avec supervision humaine avant tout mouvement vers une utilisation clinique plus autonome.
Squelette de référence
Active Inference Institute», «Active Inference», «Act. Infer. Serve.», «InstituteOS», «EduActive», «ReInference», «Discord», «GitHub», «YouTube», «AII».