Inferência ativa e o princípio da energia livre recaem nas atividades centrais da medicina – diagnóstico, seleção de tratamento e a manutenção da estabilidade fisiológica – como processos de construção e atualização de modelos generativos sob incerteza. A literatura é conceitualmente madura em várias especialidades (psiquiatria, medicina da dor, neurologia) mas ainda está em fase empírica: a maioria dos modelos é teórica, fenomenológica ou baseada em simulação, com poucos sistemas clínicos totalmente implementados. Esta página faz uma revisão do porquê a medicina se encaixa no framework, onde a literatura se encontra atualmente, quais projetos e ferramentas concretas existem e qual evidência ainda está faltando.
Por que o domínio se encaixa
A medicina é fundamentalmente sobre percepção e ação sob incerteza: os clínicos inferem estados latentes de doença a partir de sinais e dados ruidosos e escolhem ações para direcionar os pacientes em direção a estados preferidos, enquanto os pacientes inferem o significado das sensações corporais e agem com base nessas inferências. O princípio da energia livre recasta a homeostase e a allostase como problemas de inferência, nos quais os organismos mantêm crenças prévias sobre faixas fisiológicas preferidas e selecionam ações que minimizam a energia esperada quando essas faixas são violadas. Muitas doenças podem então ser compreendidas como falhas na inferência e no controle — distúrbios metabólicos como falhas em modelos generativos de equilíbrio energético, transtornos afetivos como expectativas interoceptivas mal calibradas e dor crônica como ajuste de precisão inadequado de erros de previsão nociceptivos. O arcabouço também foi estendido além do cérebro para a morfogênese, onde os tecidos são modelados como conjuntos de células que minimizam a energia livre em relação a uma morfologia alvo, dando condições como câncer e fibrose uma leitura paralela como falhas na inferência coletiva.
Estado da literatura
A psiquiatria é a área de aplicação mais desenvolvida: a revisão de 2024 dos colaboradores Moutoussis, Friston e outros argumenta que a inferência ativa pode unificar as subdisciplinas da psicologia, abrangendo ansiedade, depressão, psicose e autismo como distúrbios em priors, precisão e seleção de políticas; Badcock e Friston reinterpretam a depressão como amostragem do mundo em linha com priors pessimistas sobre recompensas; e o trabalho de Barrett e Simmons, assim como o de Smith e Friston, sobre inferência interoceptiva vincula os sintomas psychosomáticos e afetivos à precisão mal calibrada dos priors interoceptivos e da precisão. A neurologia segue de perto, com o artigo do cérebro de 2021 dos colaboradores Schwartenbeck e outros que enquadra o movimento como a realização de trajetórias sensoriais previstas e analisa a doença de Parkinson, distonia e transtornos motores funcionais como falhas nessa máquina preditiva. A pesquisa sobre dor e placebo (Geuter et al.; Ciaunica et al.) modela os efeitos placebo/nocebo e a dor crônica como mudanças em priors e precisão sobre erros de previsão nociceptiva dentro de uma conta de inferência ativa e allostática. Em todas as especialidades, o padrão se repete: forte desenvolvimento teórico, crescente ajuste comportamental e neuroimagem, mas poucos estudos que comparem diretamente a inferência ativa com estruturas concorrentes como aprendizado por reforço ou modelos bayesianos clássicos.
Projetos e ferramentas-chave
Exemplos de engenharia concreta são mais recentes e concentrados em oncologia, robótica e gêmeos digitais. O trabalho de Liu, Friston e colegas intitulado "Controle do Espaço de Crenças para Tratamento Personalizado do Câncer via Inferencia Ativa" deriva um objetivo livre de energia esperado sobre a carga tumoral latente e a sensibilidade ao medicamento, permitindo que as políticas de tratamento equilibrem a redução da incerteza sobre a resposta tumoral contra o aumento dos resultados favoráveis — demonstrado em trajetórias de pacientes simuladas, não implantado clinicamente. Pezzulo, Friston e colegas propõem "gêmeos digitais ativos" que não apenas simulam um paciente, mas propõem testes, tratamentos e mudanças no estilo de vida e atualizam seu modelo gerador a partir dos resultados, usando energia livre esperada para seleção de políticas. O trabalho de Van de Laar e colegas sobre controladores de inferência ativa para integração percepção-ação é citado como diretamente transferível para robótica cirúrgica, dispositivos de reabilitação e sistemas assistivos, e um artigo de 2025 na Nature Digital Medicine propõe estratégias de prompt inspiradas em inferência ativa para tornar as estratégias de suporte à decisão médica baseadas em LLM mais confiáveis ao tratar a interação humano-LLM como inferência acoplada. Do ponto de vista do software, o relatório nota ferramentas de uso geral — SPM para inversão bayesiana de dados de neuroimagem/comportamental e bibliotecas Python da comunidade como pymdp para modelos generativos de processos de decisão de Markov — sendo adaptadas para esses casos de uso médico, embora ainda não exista uma biblioteca ativa de inferência médica padronizada.
Problemas em aberto
O relatório identifica a validação empírica e a comparação de modelos como a lacuna mais premente: os modelos de inferência ativa em psiquiatria, dor e neurologia precisam de testes diretos contra o aprendizado por reforço, difusão de drift e alternativas bayesianas clássicas em dados reais de pacientes, não apenas simulações. A identificabilidade e a heterogeneidade do paciente representam um segundo desafio — os modelos generativos possuem muitos parâmetros latentes (priores, precisão, probabilidades de transição) que são difíceis de estimar unicamente a partir dos dados escassos e ruidosos típicos dos ambientes clínicos, motivando o uso de priores em nível populacional e projetos de medição otimizados para identificabilidade. A integração da inferência ativa com aprendizado profundo e LLMs (utilizando redes neurais para parametrizar modelos de observação/transição enquanto a inferência ativa lida com a seleção da política) é apontada como uma fronteira de pesquisa aberta, em vez de um padrão resolvido. Finalmente, a tradução clínica levanta questões regulatórias e éticas não resolvidas — sistemas probabilísticos continuamente atualizados e adaptativos não se encaixam nos quadros regulatórios construídos para algoritmos fixos, e o relatório apela por estudos piloto sobre confiança entre clínico/paciente antes da implantação em larga escala, juntamente com um debate vivo sobre se o princípio de energia livre é suficientemente falsificável para servir como paradigma concorrente.
Eixo de Referência
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.