Inferencia attiva e il principio dell’energia libera riscattano le attività fondamentali della medicina – diagnosi, selezione del trattamento e mantenimento della stabilità fisiologica – come processi di costruzione e aggiornamento di modelli generativi in condizioni di incertezza. La letteratura è concettualmente matura in diverse specialità (psichiatria, medicina del dolore, neurologia) ma ancora acerba dal punto di vista empirico: la maggior parte dei modelli è teorica, fenomenologica o basata su simulazioni, con pochissimi sistemi clinici pienamente implementati. Questa pagina fornisce una panoramica sul perché la medicina si adatta al quadro, sullo stato attuale della letteratura, sui progetti e gli strumenti concreti esistenti e sulle evidenze ancora mancanti.
Perché il dominio è adatto
La medicina è fondamentalmente sull'inferenza e l'azione nell'incertezza: i clinici inferiscono gli stati di malattia latenti da segni e dati rumorosi e scelgono azioni per guidare i pazienti verso stati preferiti, mentre i pazienti inferiscono il significato delle sensazioni corporee e agiscono su tali inferenze. Il principio dell'energia libera riaccosta l'omeostasi e l'allestosisi come problemi di inferenza, in cui gli organismi mantengono credenze pregresse sui range fisiologici preferiti e selezionano azioni che minimizzano l'energia prevista quando questi range vengono violati. Molte malattie possono quindi essere comprese come fallimenti di inferenza e controllo: i disturbi metabolici come guasti nei modelli generativi dell'equilibrio energetico, i disturbi affettivi come aspettative interoceptive malcalibrate e il dolore cronico come pesatura di precisione inadeguata degli errori di previsione nocicettiva. Il quadro è stato esteso oltre il cervello alla morfogenesi, dove i tessuti sono modellati come ensemble cellulari che minimizzano l'energia libera rispetto a una morfologia bersaglio, dando condizioni come il cancro e la fibrosi una lettura parallela come fallimenti di inferenza collettiva.
Stato della letteratura
La psichiatria è il campo di applicazione più sviluppato: la revisione del 2024 di Moutoussis, Friston e collaboratori sostiene che l'inferenza attiva possa unificare le sottodiscipline della psicologia, coprendo ansia, depressione, psicosi e autismo come disturbi dei priors, precisione e selezione delle politiche; Badcock e Friston reinterpretano la depressione come il campionamento del mondo in linea con priors pessimistici sui premi; e i lavori di Barrett e Simmons, così come quelli di Smith e Friston, sull'inferenza interoceptive collegano i sintomi psychosomatici ed affettivi a priors interoceptivi mal calibrati e precisione. La neurologia segue da vicino, con il lavoro del 2021 di Schwartenbeck e collaboratori su Brain che presenta il movimento come la realizzazione di traiettorie sensoriali previste e analizza il Parkinson, la distonia e i disturbi motori funzionali come fallimenti di quella macchina predittiva. La ricerca sul dolore e sull'effetto placebo (Geuter et al.; Ciaunica et al.) modella gli effetti placebo/nocebo e il dolore cronico come spostamenti dei priors e della precisione rispetto agli errori di previsione nocicettiva all'interno di un account di inferenza attiva allostatica. In tutte le specialità, il modello si ripete: forte sviluppo teorico, crescente adattamento comportamentale e neuroimaging del modello, ma pochi studi che confrontano direttamente l'inferenza attiva con quadri alternativi come l'apprendimento per rinforzo o i modelli bayesiani classici.
Progetti e strumenti chiave
Esempi di ingegneria strutturale più concreti sono nuovi e concentrati in oncologia, robotica e gemelli digitali. L'articolo di Liu, Friston e collaboratori "Controllo dello spazio delle credenze per il trattamento del cancro personalizzato tramite l'inferenza attiva" deriva un obiettivo basato sull'energia attesa sul carico tumorale latente e sulla sensibilità ai farmaci, consentendo alle politiche di trattamento di bilanciare la riduzione dell'incertezza sulla risposta tumorale contro il massimizzare dei risultati favorevoli — dimostrato su traiettorie di pazienti simulate, non implementato clinicamente. Pezzulo, Friston e collaboratori propongono "gemelli digitali attivi" che non simulano semplicemente un paziente ma propongono test, trattamenti e cambiamenti nello stile di vita e aggiornano il loro modello generativo dagli esiti, utilizzando l'energia attesa per la selezione delle politiche. Il lavoro di Van de Laar e collaboratori sui controllori di inferenza attiva per l'integrazione percezione-azione è citato come direttamente trasferibile alla robotica chirurgica, dispositivi di riabilitazione e sistemi di assistenza, e un articolo del 2025 su Nature Digital Medicine propone strategie di prompting ispirate all'inferenza attiva per rendere più affidabili le strategie di supporto decisionale medico basate su LLM trattando l'interazione uomo-LLM come inferenza accoppiata. Sul fronte software, il rapporto nota strumenti a uso generale — SPM per l'inversione bayesiana dei modelli di neuroimaging/comportamento e librerie Python della comunità come pymdp per i modelli generativi di processi decisionali di Markov — che vengono adattati a questi casi d'uso medici, sebbene non esista ancora una libreria di inferenza attiva medica standardizzata.
Problemi irrisolti
Il rapporto identifica la validazione empirica e il confronto dei modelli come il divario più urgente: i modelli di inferenza attiva in psichiatria, dolore e neurologia necessitano di test diretti rispetto al reinforcement learning, drift-diffusion e alle alternative bayesiane classiche su dati reali di pazienti, non solo simulazioni. L'identificabilità e l'eterogeneità del paziente rappresentano una seconda sfida: i modelli generativi presentano numerosi parametri latenti (prior, precisione, probabilità di transizione) difficili da stimare in modo univoco dai dati scarsi e rumorosi tipici degli ambienti clinici, motivando l'uso di priori a livello di popolazione e un design sperimentale ottimizzato per l'identificabilità. L'integrazione dell'inferenza attiva con il deep learning e gli LLM (utilizzando reti neurali per parametrizzare i modelli di osservazione/transizione mentre l'inferenza attiva gestisce la selezione della politica) è indicata come un fronte di ricerca aperto piuttosto che un modello risolto. Infine, la traduzione clinica solleva questioni normative ed etiche irrisolte: i sistemi probabilistici in continua evoluzione non si adattano ai quadri normativi basati su algoritmi fissi e il rapporto sollecita studi pilota sulla fiducia tra medico e paziente prima del suo ampio utilizzo, insieme a un dibattito vivace sul concetto se il principio di energia libera sia sufficientemente falsificabile per essere considerato un paradigma concorrente.
Spina dorsale di riferimento
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.