L'inférence active et le principe d'énergie libre recasent les activités centrales de la médecine — le diagnostic, la sélection des traitements et le maintien de la stabilité physiologique — en tant que processus de construction et de mise à jour de modèles génératifs dans l'incertitude. La littérature est conceptuellement mature dans plusieurs spécialités (psychiatrie, médecine aiguë, neurologie) mais empiriquement précoce : la plupart des modèles sont théoriques, phénoménologiques ou basés sur des simulations, avec très peu de systèmes cliniques pleinement déployés. Cette page examine pourquoi la médecine correspond au cadre, où se situe actuellement la littérature, quels projets et outils concrets existent et quelles preuves manquent encore.
Pourquoi le domaine correspond
La médecine est fondamentalement axée sur la perception et l'action dans l'incertitude : les cliniciens infèrent les états de maladie latents à partir de signes et de données bruyants et choisissent des actions pour orienter les patients vers des états préférés, tandis que les patients infèrent le sens des sensations corporelles et agissent sur ces inférences. Le principe d'énergie libre recast la homeostasis et l'allostasie en problèmes d'inférence, dans lesquels les organismes ont des croyances antérieures sur les plages physiologiques préférées et sélectionnent des actions qui minimisent l'énergie attendue lorsqu'elles sont violées. De nombreuses maladies peuvent alors être comprises comme des échecs d'inférence et de contrôle : les troubles métaboliques en tant que dysfonctionnements des modèles génératifs d'équilibre énergétique, les troubles affectifs en tant qu'attentes interoceptives mal calibrées et la douleur chronique en tant que pondération de précision maladaptative des erreurs de prédiction nociceptives. Le cadre a également été étendu au-delà du cerveau à la morphogenèse, où les tissus sont modélisés comme des ensembles cellulaires minimisant l'énergie libre par rapport à une morphologie cible, ce qui donne des conditions telles que le cancer et la fibrose une lecture parallèle en tant qu'échecs d'inférence collective.
État de la littérature
La psychiatrie est le domaine d'application le plus développé : l'article de 2024 des collègues Moutoussis, Friston et autres affirme qu'une inférence active peut unifier les sous-disciplines de la psychologie, couvrant l'anxiété, la dépression, la psychose et l'autisme en tant que troubles liés aux a priori, à la précision et au choix de politique
; Badcock et Friston réinterprètent la dépression comme un échantillonnage du monde en accord avec des a priori pessimistes sur la récompense
; et les travaux de Barrett et Simmons, ainsi que ceux de Smith et Friston, sur l'inférence interoceptive relient les symptômes psychosomatiques et affectifs à des a priori interoceptifs mal calibrés et à une précision. La neurologie suit de près, avec l'article de 2021 du *Brain* de Schwartenbeck et ses collègues qui cadre le mouvement comme la réalisation de trajectoires sensorielles prédites et analyse la maladie d'Alzheimer, la dystonie et les troubles moteurs fonctionnels en tant que défaillances de cette machine à prédiction
; la recherche sur la douleur et les effets placebo modélise les effets placebo/nocebo et la douleur chronique comme des changements dans les a priori et la précision par rapport aux erreurs de prédiction nociceptives au sein d'un compte rendu d'inférence active allostatique. À travers les spécialités, le schéma se répète : un développement théorique important, une adaptation comportementale et neuroimagerie croissante, mais peu d'études qui comparent directement l'inférence active à des cadres concurrents tels que l'apprentissage par renforcement ou les modèles bayésiens classiques.
Projets et outils clés
Des exemples d'ingénierie concrète sont plus récents et se concentrent sur l'oncologie, la robotique et les jumeaux numériques. L'article de Liu, Friston et leurs collègues « Belief-Space Control for Personalized Cancer Treatment via Active Inference » dérive un objectif sans espérance mathématique sur le fardeau tumoral latent et la sensibilité aux médicaments, permettant aux politiques de traitement d'équilibrer la réduction de l'incertitude quant à la réponse tumorale contre la maximisation des résultats favorables — démontré sur des trajectoires de patients simulées, mais pas déployé cliniquement. Les propositions de Pezzulo, Friston et leurs collègues concernant les « jumeaux numériques actifs » qui ne simulent pas seulement un patient mais proposent des tests, des traitements et des changements de style de vie et mettent à jour leur modèle génératif à partir des résultats, en utilisant l'énergie espérée pour la sélection des politiques. Le travail sur les contrôleurs d'inférence active de Van de Laar et leurs collègues sur la robotique est cité comme étant directement transférable aux robots chirurgicaux, aux appareils de rééducation et aux systèmes d'assistance, et un article de 2025 dans Nature Digital Medicine propose des stratégies de déclenchement inspirées de l'inférence active pour rendre les stratégies de prise de décision médicale basées sur LLM plus fiables en traitant l'interaction homme-LLM comme une inférence couplée. Du point de vue logiciel, le rapport note que des outils à usage général tels que SPM pour l'inversion bayésienne de modèles d'imagerie cérébrale/comportement et les bibliothèques Python communautaires telles que pymdp pour les modèles génératifs de processus de décision Markov sont adaptés à ces cas d'utilisation médicale, bien qu'aucune bibliothèque d'inférence active médicale standardisée n'existe encore.
Problèmes non résolus
Le rapport identifie la validation empirique et la comparaison de modèles comme le principal manque : les modèles d'inférence active en psychiatrie, en douleur et en neurologie ont besoin d'essais comparatifs entre eux contre l'apprentissage par renforcement, la diffusion du déclin et les alternatives bayésiennes classiques sur des données de patients réelles, et non seulement des simulations. L'identifiabilité et l'hétérogénéité des patients constituent un deuxième défi : les modèles génératifs comportent de nombreux paramètres latents (a priori, précision, probabilités de transition) qui sont difficiles à estimer de manière unique à partir des données éparses et bruyantes typiques des contextes cliniques, ce qui motive l'utilisation de priors au niveau de la population et une conception de mesures optimisée en termes d'identifiabilité. L'intégration de l'inférence active avec l'apprentissage profond et les LLM (en utilisant des réseaux neuronaux pour paramétrer les modèles d'observation/transition tout en laissant l'inférence active sélectionner la politique) est signalée comme une frontière de recherche ouverte plutôt que comme un schéma résolu. Enfin, la traduction clinique soulève des questions réglementaires et éthiques non résolues : les systèmes probabilistes continuellement mis à jour et adaptatifs ne correspondent pas aux cadres réglementaires conçus pour des algorithmes fixes, et le rapport appelle à des études pilotes sur la confiance entre les cliniciens et les patients avant un déploiement plus large, ainsi qu'à un débat conceptuel en direct sur la possibilité de réfuter ou non le principe d'énergie libre afin de déterminer s'il peut servir de paradigme concurrentiel.
Squelette de référence
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.