A saúde envolve a regulação de estados biológicos, a redução da incerteza sobre processos de doença e a seleção contínua de ações diagnósticas e terapêuticas sob evidências incompletas — um conjunto de problemas que se mapeia diretamente nas construções centrais da inferência ativa de modelos generativos, erro de previsão, energia livre esperada e seleção de políticas. Ao longo da última década, surgiu uma literatura em torno da psiquiatria computacional, interocepção e dor, gêmeos digitais, robótica médica — e mais recentemente — a segurança de grandes modelos de linguagem usados como ferramentas de apoio à decisão clínica. A maior parte deste trabalho permanece teórica ou baseada em simulação, mas revisões em psiquiatria computacional e psicopatologia interoceptiva começaram a consolidar o campo, e roteiros conceituais para "AII" (Active Inference AI) na medicina esboçam como a estrutura pode alcançar gêmeos digitais, diagnósticos precisos e apoio à decisão clínica.
Por que o domínio se encaixa
A prática clínica é a inferência contínua de causas ocultas — processos de doença — a partir de observações ruidosas, parciais e atrasadas (sintomas, exames laboratoriais, imagens), seguida pela seleção de ações (testes, tratamentos) que devem equilibrar o aprendizado sobre a condição do paciente com a melhoria dos resultados. A inferência ativa formaliza isso como a minimização da energia livre esperada, que se decompõe em valor epistêmico (resolvendo a incerteza) e valor prático (alcançando resultados preferidos), fornecendo uma única conta variacional de diagnóstico e escolha de tratamento. A ênfase do framework na manutenção das variáveis fisiológicas dentro de limites viáveis também se mapeia com homeostase e alostasis: os sinais interoceptivos são tratados como observações, pontos de referência regulatórios como priors e distúrbios como ansiedade, dor crônica ou transtornos alimentares são consequências de modelos generativos imprecisos ou priors mal adaptados.
Estado da literatura
O trabalho mais maduro se encontra em psicologia e psiquiatria: Badcock e Davey consideram a inferência ativa como um paradigma unificador candidato através da aprendizagem, atenção e psicopatologia, enquanto Kirchner et al. argumentam que ela pode ligar perfis de sintomas aos parâmetros do modelo gerador (precedentes, precisão) para guiar a seleção de tratamento personalizado, por exemplo, modelando a depressão através de precedentes excessivamente pessimistas e menor precisão nos erros de previsão positiva. A interocepção e a dor formam uma segunda cluster: a conta de Paulus, Feinstein e Khalsa sobre a psicopatologia interoceptiva e a revisão de Petzschner et al. sobre a interocepção e a homeostase tratam a ansiedade, o pânico e os transtornos funcionais da dor como falhas na inferência ativa, e uma teoria específica de inferência ativa do analgésico placebo explica como o cérebro atualiza precedentes de sinais nociceptivos conflitantes ou os descarta como ruído, produzindo trajetórias divergentes de placebo. Pio-Lopez et al. estendem a estrutura ao morphogenesis, propondo que processos celulares e teciduais minimizam a energia livre de maneiras que poderiam eventualmente redefinir o câncer, a fibrose e a medicina regenerativa, embora isso permaneça especulativo. Um estudo de tomada de decisão (novidade/variabilidade, publicado via eLife) oferece à área o teste empírico mais claro de frente a frente, mostrando que os modelos de inferência ativa superam o aprendizado por reforço padrão na explicação tanto do comportamento quanto das correlações neurais da exploração.
Projetos e ferramentas-chave
O relatório não encontra nenhum software de inferência ativa amplamente adotado e específico para a saúde; pesquisadores adaptam atualmente bibliotecas de inferência ativa de uso geral e código probabilístico personalizado para construções clínicas, principalmente para simulação e ajuste de parâmetros em vez de sistemas implantados. Três padrões de aplicação nomeados se destacam como as coisas mais próximas de projetos concretos: uma arquitetura ScienceDirect para "gêmeos digitais ativos" que usam inferência ativa para permitir que modelos de paciente ou órgão busquem informações ativamente em vez de simular passivamente; um relatório conceitual do Cancer Journal sobre "Inferência Ativa AI e a Web Espacial para Medicina" descrevendo painéis virtuais de tumores onde gêmeos digitais são explorados sob diferentes políticas de tratamento; e, em robótica, o estudo de interface da Royal Society e a revisão de Da Costa et al. mostrando inferência ativa impulsionando o controle motor do robô real, com extensões claras esboçadas para próteses e reabilitação. Um artigo npj Digital Medicine de 2025 propõe tratar os prompts clínicos de LLM como políticas de inferência ativa escolhidas para minimizar a energia livre esperada sobre as saídas do modelo, visando dispositivos médicos baseados em LLM.
Problemas em aberto
A lacuna central é a validação: modelos de inferência ativa sobre depressão, interocepção ou resposta ao placebo foram raramente testados quanto ao seu poder preditivo contra resultados clínicos ou comparados rigorosamente com modelos mais simples, e o campo precisa de pipelines padronizados para especificação de modelos, validação cruzada e ensaios prospectivos. Construir os modelos gerativos hierárquicos, em escala multi-escala e multi-modal que a saúde necessita — conectando dados moleculares, órgãos e comportamentais — permanece tecnicamente difícil, com questões abertas sobre o design do espaço de estados, dados faltantes e algoritmos de inferência em grande escala. Questões éticas e regulatórias também não estão resolvidas: como as preferências (sobrevivência, alívio dos sintomas, qualidade de vida) devem ser codificadas como priors, como evitar que modelos gerativos herdem priors tendenciosos de dados históricos e como limitar as ações exploratórias (epistêmicas) para que elas não introduzam riscos clínicos. O relatório trata os gêmeos digitais, Active Inference AI e estratégias de prompt de LLM como conceituais e em grande parte não implementadas, solicitando papéis de suporte à decisão piloto com supervisão humana antes de qualquer movimento em direção ao uso clínico mais autônomo.
Eixo de Referência
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. 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 (2015). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2015.09.001. Paul B. Badcock, Christopher G. Davey (2024). Active Inference in Psychology and Psychiatry: Progress to Date? Entropy. DOI: 10.3390/e26100833. Lukas Kirchner, Anna-Lena Eckert, Max Berg (2022). From Broken Models to Treatment Selection: Active Inference as a Tool to Guide Clinical Research and Practice. Clinical Psychology in Europe. DOI: 10.32872/cpe.9697. Frederike H. Petzschner, Sarah N. Garfinkel, Martin P. Paulus, Christof Koch, Sahib S. Khalsa (2021). Computational Models of Interoception and Body Regulation. Trends in Neurosciences. DOI: 10.1016/j.tins.2020.09.012. Martin P. Paulus, Justin S. Feinstein, Sahib S. Khalsa (2019). An Active Inference Approach to Interoceptive Psychopathology. Annual Review of Clinical Psychology. DOI: 10.1146/annurev-clinpsy-050718-095617. Léo Pio-Lopez, Franz Kuchling, Angela Tung, Giovanni Pezzulo, Michael Levin (2022). Active inference, morphogenesis, and computational psychiatry. Frontiers in Computational Neuroscience. DOI: 10.3389/fncom.2022.988977. Matteo Torzoni, Domenico Maisto, Andrea Manzoni, Francesco Donnarumma, Giovanni Pezzulo, Alberto Corigliano (2026). Active Digital Twins via Active Inference. Engineering Applications of Artificial Intelligence. DOI: 10.1016/j.engappai.2026.114519. Dan Mapes (2025). Active Inference AI and the Spatial Web for Medicine: A New Paradigm for Medical Research, Treatment, and Education. The Cancer Journal. DOI: 10.1097/PPO.0000000000000798. Aida Brankovic, David Cook, Jessica Rahman, Alana Delaforce, Jane Li, Farah Magrabi, Federico Cabitza, Enrico Coiera, DanaKai Bradford (2025). An active inference strategy for prompting reliable responses from large language models in medical practice. npj Digital Medicine. DOI: 10.1038/s41746-025-01516-2. Léo Pio-Lopez, Ange Nizard, Karl J. Friston, Giovanni Pezzulo (2016). Active inference and robot control: a case study. Journal of the Royal Society Interface. DOI: 10.1098/rsif.2016.0616.