Perché il dominio è adatto
La pratica clinica è l'inferenza continua di cause nascoste — processi patologici — da osservazioni rumorose, parziali e ritardate (sintomi, esami del sangue, immagini), seguita dalla selezione dell'azione (test, trattamenti) che deve bilanciare l'apprendimento sulla condizione del paziente contro il miglioramento degli esiti. L'inferenza attiva formalizza questo come la minimizzazione dell'energia libera attesa, che si decompone in valore epistemico (risoluzione dell'incertezza) e valore pragmatico (ottenere risultati preferiti), fornendo un unico account variazionale della diagnosi e della scelta del trattamento. L'enfasi del quadro sull' mantenimento delle variabili fisiologiche entro limiti accettabili corrisponde anche all'omeostasi e all'allostasi: i segnali interoceptive sono trattati come osservazioni, i punti di riferimento regolatori come priori e disturbi quali l'ansia, il dolore cronico o i disturbi alimentari come conseguenze di modelli generativi inaccurati o priori maladattivi.
Stato della letteratura
Il lavoro più maturo si trova in psicologia e psichiatria: Badcock e Davey considerano l’inferenza attiva come un paradigma unificante candidato attraverso l'apprendimento, l'attenzione e la psicopatologia, mentre Kirchner et al. sostengono che possa collegare i profili di sintomi ai parametri del modello generativo (priorità, precisione) per guidare la selezione del trattamento personalizzato, ad esempio modellando la depressione tramite priorità eccessivamente pessimistiche e una precisione ridotta sugli errori di previsione positiva. L'interocezione e il dolore formano una seconda area: l'account di Paulus, Feinstein e Khalsa sulla psicopatologia interoceptive e la revisione di Petzschner et al. sull’interoazione e l’allostasi trattano ansia, attacchi di panico e disturbi somatici funzionali come fallimenti di inferenza interoceptiva, e una specifica teoria dell'inferenza attiva sull'analgesia placebo spiega come il cervello aggiorna le priorità da segnali nocicettivi contrastanti o le sminuisce come rumore, producendo traiettorie di placebo divergenti. Pio-Lopez et al. estendono il quadro alla morfogenesi, proponendo che i processi a livello cellulare e tissutale minimizzino l'energia libera in modi che potrebbero riformulare il cancro, la fibrosi e la medicina rigenerativa, sebbene ciò rimanga speculativo. Uno studio sul processo decisionale (novità/variabilità, pubblicato su eLife) offre al campo il confronto empirico più chiaro, mostrando che i modelli di inferenza attiva superano l'apprendimento per rinforzo standard nell'esplicazione sia del comportamento che delle correlazioni neurali dell'esplorazione.
Progetti e strumenti chiave
Il rapporto non individua alcun software di Active Inference ampiamente adottato nel settore sanitario; i ricercatori adattano attualmente librerie di Active Inference a uso generale e codice probabilistico personalizzato a strutture cliniche, principalmente per simulazioni e fitting di parametri piuttosto che per sistemi implementati. Tre schemi applicativi denominati spiccano come le cose più concrete: un'architettura ScienceDirect per "gemelli digitali attivi" che utilizzano l'Active Inference per consentire ai modelli di paziente o organo di cercare attivamente informazioni anziché simulare passivamente; un rapporto concettuale del Cancer Journal su "Active Inference AI e la Rete Spaziale per la Medicina" che descrive piattaforme virtuali tumorali in cui i gemelli digitali vengono esplorati sotto diverse politiche terapeutiche; e, nel campo della robotica, lo studio di caso dell'Interfaccia Royal Society e la revisione di Da Costa et al. che mostrano l'Active Inference che guida il controllo motorio dei robot reali, con estensioni chiare delineate per protesi e riabilitazione. Un articolo npj Digital Medicine del 2025 propone di trattare i prompt clinici degli LLM stessi come politiche di Active Inference scelte per minimizzare l'energia libera attesa sugli output del modello, mirate a dispositivi medici basati su LLM.
Problemi irrisolti
Il divario centrale è la validazione: i modelli di inferenza attiva sulla depressione, l'interoceptive o la risposta placebo sono stati raramente testati per il loro potere predittivo contro gli esiti clinici o confrontati rigorosamente con modelli più semplici, e il campo ha bisogno di pipeline standardizzate per la specifica del modello, la convalida incrociata e i trial prospettici. Costruire i modelli gerarchici, multi-scala e multimodali generativi richiesti dall'assistenza sanitaria – collegando dati molecolari, organici e comportamentali – rimane tecnicamente difficile, con domande aperte sul design dello spazio di stato, sui dati mancanti e sugli algoritmi di inferenza su larga scala. Anche le questioni etiche e normative non sono state risolte: come le preferenze (sopravvivenza, sollievo dai sintomi, qualità della vita) dovrebbero essere codificate come priori, come prevenire che i modelli generativi ereditino priori distorti dai dati storici e come limitare le azioni esplorative (epistemiche) in modo che non introducano rischi clinici. Il rapporto tratta i gemelli digitali, Active Inference AI e strategie di prompt LLM come concettuali e in gran parte non implementate, chiedendo ruoli di supporto decisionale pilota con supervisione umana prima di qualsiasi passaggio verso un uso clinico più autonomo.
Spina dorsale di riferimento
Active Inference Institute», «Active Inference», «Act. Infer. Serve.», «InstituteOS», «EduActive», «ReInference», «Discord», «GitHub», «YouTube», «AII».