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). O princípio da energia livre: uma teoria unificada do cérebro? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). O princípio da energia livre para ação e percepção: Uma revisão matemática. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: O Free Energy Principle na Mente, Cérebro e Comportamento. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, regulação homeostática e controle comportamental adaptativo. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Paul B. Badcock, Christopher G. Davey (2024). Active Inference em Psicologia e Psiquiatria: Progresso até o momento? Entropy. DOI: 10.3390/e26100833. Lukas Kirchner, Anna-Lena Eckert, Max Berg (2022). De Modelos Quebrados à Seleção de Tratamento: Active Inference como uma Ferramenta para Guiar a Pesquisa e Prática Clínica. Clinical Psychology in Europe. DOI: 10.32872/cpe.9697. Frederike H. Petzschner, Sarah N. Garfinkel, Martin P. Paulus, Christof Koch, Sahib S. Khalsa (2021). Modelos Computacionais de Interocepção e Regulação Corporal. Trends in Neurosciences. DOI: 10.1016/j.tins.2020.09.012. Martin P. Paulus, Justin S. Feinstein, Sahib S. Khalsa (2019). Uma Abordagem Active Inference para a Psicopatologia Interoceptiva. Annual Review of Clinical Psychology. DOI: 10.1146/annurev-clinpsy-05