Çocuk Enfeksiyon Hastalıklarında Yapay Zekâ

1. Giriş: Çocuk Enfeksiyon Hastalıklarının Yönetiminde Paradigma Değişimi

Çocuk enfeksiyon hastalıklarının yönetimi, tıp ve ileri veribilimin kesiştiği noktada stratejik bir paradigma değişimine ihtiyaç göstermektedir. Geleneksel tanı yöntemlerindeki belirsizlikler ve reaktif yaklaşımlar, çocuk hastaların yetişkinlerin "küçük birer kopyası" olmadığı gerçeğiyle birleştiğinde genel bir yetersizlik ve verimsizlik ortaya çıkmaktadır [1, 2]. Pediatrik popülasyonun gelişimsel evreleri ve bağışıklık heterojenisitesi, yetişkin modellerinden uyarlanmış değil, doğrudan pediatrik veriler üzerine kurgulanmış yapay zekâ (YZ) dizgelerinin kullanılmasını zorunlu kılmaktadır [3, 4].

Tanıda belirsizliğin maliyeti yalnızca klinik bir risk değil, aynı zamanda ciddi bir finansal yük teşkil etmektedir: Birden çok ilaca dirençli enfeksiyonların vaka başına maliyeti 29.000

#x27;a ulaşmaktadır [5]. Bu bağlamda YZ entegrasyonu, veri yetersizliğini bir engele değil, karmaşık örüntülerin çözümlendiği bir "güç çarpanına" dönüştürerek hastane ekosisteminin işlevsel omurgasını oluşturacaktır [6, 7].

2. Pandemi Modellemesi ve Gerçek Zamanlı Gözetim Mimarisi

Geleneksel epidemiyolojik gözetim sistemleri, %40 oranındaki eksik raporlama ve veri iletim gecikmeleri nedeniyle reaktif kalmaya mahkumdur. SmartHealth-Track ve BEACON gibi çerçeveler, nesnelerin interneti ve makine öğrenmesi bütünleşmesi ile bu açığı kapatmaktadır. Yapay zekâ destekli gözetim dizgelerinin salgın yanıt sürelerini %50 oranında azaltabildiği saptanmıştır [8,9].

Gözetim dizgelerinin başarısı, bireysel düzeydeki proaktif öngörü kapasitesiyle doğrudan ilişkilidir ve sistemin reaktif yapıdan proaktif bir savunma alışkanlığına geçişini sağlar [2, 8, 9].

3. Hızlı Patojen Tanımlama ve Duyarlı Tanı Dizgeleri

Hızlı patojen tanımlama, pediatrik sağlık hizmetlerinde antibiyotik direncinin önlenmesi için stratejik bir kavramdır. Tanısal süreçlerde mültimodal derin öğrenme araçları, virüs ve bakteri ayrımında klinisyenlerin bilişsel yükünü hafifletmektedir. Geliştirilen bazı modeller, girdi-veri türlerindeki farklılıklarla klinik iş akışı ile bütünleştirilmiştir [10,11]: Örneğin, bir pnömoni modelinde akciğer grafisi ve klinik veriler birleştirilerek mültimodal bir analiz sunulmuş; gram-pozitif ve gram-negatif ayrımında üstün performans sergilenmiştir [10]. Radyoloji raporları doğal dil işlemeye tabi tutulduğunda ise %89,9’luk duyarlılık ve 0,954’lük eğri altındaki alan değeri ile yüksek doğrulukta sonuçlara ulaşılmıştır [11].

Ayrıca StrepApp gibi araçlar klinik bulguları segmantasyon algoritmalarıyla işlenmiş yutak fotoğraflarıyla birleştirerek %89,3 doğruluk ve %93,6 negatif öngörü değeri sağlamakta, özellikle teletıp süreçlerinde gereksiz antibiyotik kullanımını önemli ölçüde önlemektedir [12].

4. Birleşik Yönetim Çerçevesi: Antibiyotik Direnci ve Klinik Karar Destek Sistemleri

Çağdaş bir sağlık sisteminde antimikrobiyal yönetim programları ve tanısal yönetim programları birleşik yönetim çerçevesi (“unified stewardship framework”) kavramı altında birbirine entegre edilmelidir. Yapay zekâ, ampirik tedavi seçiminde antimikrobiyal direnç eğilimlerini öngörerek bu birleşimi sağlar.

Klinik karar destek sistemlerinin uygulanması, ampirik seçimden bireyselleştirilmiş tedaviye geçişte somut olarak pediatrik vakalarda rehberlere uyumlu reçeteleme oranında %31 iyileşme, parenteral tedaviden oral tedaviye geçişte %98’lik başarı oranı, buna bağlı olarak %20 maliyet tasarrufu ve tedavi dezeskalasyonu süresinde 24 saatlik azalma sağlamaktadır [13,14].

5. Bireyselleştirilmiş Hassas Tıp: Sayısal İkizler

Pediatrik farmakokinetik/farmakodinamik modellemesinde sayısal ikiz teknolojisi, büyüme ve organ olgunlaşması gibi değişkenleri dinamik olarak taklit edebilen bir "sanal hasta" katmanı sunar [1]. Sayısal ikiz çalışmaları bayezyen terapötik ilaç izlemiyle bütünleştirilerek toksisite riskini en aza indirirken terapötik hedefe ulaşma süresini de kısaltmaktadır [1, 15, 16].

6. Metagenomik Veri ve Bağışıklık Sayısal İkizleri

Enfeksiyon yönetiminin geleceği, patojen odaklı yaklaşımdan konak yanıtı odaklı algoritmalara evrilmektedir. Bağışıklık sayısal ikizleri çalışmaları çocuğun benzersiz bağışıklık profilini, sitokin yanıtlarını ve genetik belirteçlerini analiz ederek aşılama takvimlerini ve monoklonal antikor profilaksisini kişiselleştirme potansiyeline sahiptir. Metagenomik verilerin YZ ile işlenmesi, konak yanıtı belirteçleri üzerinden viral/bakteriyel ayrımını rasyonel bir zemine oturtmaktadır [1].

7. Teknik Paradigmalar, Etik Engelleri ve İşgücü Stratejisi

Yapay zekâ uygulamalarının önündeki en büyük engel veri silolarıdır; ancak federe öğrenme (federated learning), verileri paylaşmadan modelleri eğiterek güvenliği sağlar. Pediatrik pnömoni tespitinde bu yöntem, yerel modellere kıyasla ROC-AUC değerinde %50 artış ve doğrulukta %47,5'lik bir kazanç sağlamıştır [17].

Stratejik üstünlük ve yapısal engeller bağlamında şu kavram ve veriler çok önemlidir:

• Tanısal üstünlük: Yapay zekâ toplumsal sağlık belirleyicilerini ve nadir durumları %93,8 oranında tespit ederken, geleneksel ICD-10 kodları bunların yalnızca %2'sini yakalayabilmektedir [18].
• İşgücü optimizasyonu: "Screening-saturation" modelleri, elle veri işleme ve not inceleme yükünü %85,4 oranında azaltarak personel planlamasında radikal bir verimlilik sağlamaktadır [19].
• Uygulama Engelleri:
  • Veri eşitsizliği: Katı gizlilik düzenlemeleri nedeniyle kurumlar arası değişkenliği yakalayabilen, heterojen eğitim setleri oluşturma yeteneği kısıtlanmakta, bu da modelin daha önce görülmemiş klinik ortamlara genelleştirilmesini zayıflatmaktadır [17]. Ayrıca yapay zekâ modelleri genellikle temsil gücü düşük veri setleriyle eğitilmekte, bu nedenle algoritmalar kültürel, dilsel veya genetik çeşitliliği (varyasyon) yakalayamamakta ve bu sistemik bir önyargı engeli oluşturmaktadır [20].
  • Açıklanabilir YZ: Karakutu sorununa karşı, yapay zekânın karar süreçlerinin şeffaflaştırılması gerekmektedir [4].
  • Büyük dil modeli tehlikesi: Büyük dil modellerinde pediatrik reçeteleme hatalarına yol açma ve halüsinasyon görme tehlikesi vardır (%39'un altında doğruluk oranı) [14].

8. Sonuç: Stratejik Yol Haritası

Çocuk enfeksiyon hastalıkları yönetimi, sayısal dönüşümün edilgin bir alıcısı değil, stratejik bir mimarı olmalıdır. Gelecek vizyonumuzun şu dört temel direk üzerine kurgulanması beklenmektedir:

• Pediatrik veri genişletme: Çocuklara özgü test kohortlarının ve çeşitlendirilmiş veri setlerinin oluşturulması şarttır [2, 4].
• Birlikte çalışabilirlik: Yapay zekânın sadece "akıllı bir algoritma" olması yetmez. Bu algoritmaların hastanenin veri anadamarlarına (elektronik sağlık kayıtları ve laboratuvar sistemleri) HL7 FHIR gibi standartlar aracılığıyla bağlanması gerekir; aksi takdirde bu araçlar, uygulama dışına itilmiş ve yalıtılmış sistemler olarak kalmaya mahkumdur [21].
• İnsan odaklı tasarım: Yapay zekâ araçlarının ilgili süreçlerin merkezinde insanın yerini almamasına, sadece bilişsel yükü azaltan bir karar ortağı olarak konumlandırılmasına özen göstermek gerekir.
• Düzenleyici önderlik: Sorumluluk ve etik çerçeveler, uluslararası düzeyde ölçünlü hale getirilmelidir.

Yapay zekâ çocuk enfeksiyon hastalıkları uzmanlarının klinik muhakeme yeteneğini tamamlayan, vazgeçilmez bir öge olarak sağlık sistemlerinin merkezinde gitgide daha büyük bir önem kazanacaktır.

Kaynakça

1. Esposito S, Campana BR, Seferi H, Cinti E, Argentiero A. Digital twins in pediatric infectious diseases: virtual models for personalized management. J Pers Med. 2025;15:514. doi: 10.3390/jpm15110514.
2. Park T, Lee IH, Lee SW, Kong SW. Artificial intelligence in pediatric healthcare: current applications, potential, and implementation considerations. Clin Exp Pediatr. 2025 Sep;68(9):641-651. doi: 10.3345/cep.2025.00962.
3. Murray TS, Quan M, Aniskiewicz M, Pak TR. Using artificial intelligence to advance pediatric infection prevention and control. Curr Opin Pediatr. 2026 Jan 20. doi: 10.1097/MOP.0000000000001540. Epub ahead of print.
4. Lee Y, Hong S, Yon DK. Artificial intelligence in pediatric healthcare: bridging potential, clinical practice, and ethical considerations. Clin Exp Pediatr. 2025 Sep;68(9):652-655. doi: 10.3345/cep.2025.01844.
5. Johnston KJ, Thorpe KE, Jacob JT, Murphy DJ. The incremental cost of infections associated with multidrug-resistant organisms in the inpatient hospital setting - a national estimate. Health Serv Res. 2019 Aug;54(4):782-792. doi: 10.1111/1475-6773.13135.
6. Jankauskaite L, Oniunaite U, Kevalas R. Personalized decision-making through AI solutions in pediatric emergency medicine: Focusing on febrile children. PLOS Digit Health. 2025 Nov 3;4(11):e0001080. doi: 10.1371/journal.pdig.0001080.
7. Dong C, Liu Y, Nie J, Zhang X, Yu F, Zhou Y. Artificial intelligence in infectious disease diagnostic technologies. Diagnostics (Basel). 2025 Oct 15;15(20):2602. doi: 10.3390/diagnostics15202602.
8. Alwakeel MM. AI-assisted real-time monitoring of infectious diseases in urban areas. Mathematics. 2025;13(12):1911. doi: 10.3390/math13121911.
9. Bhadelia N, Paschalidis IC, Brownstein JS, Lassman B. A BEACON for novel disease threats: leveraging artificial intelligence for informal event-based outbreak surveillance. J Infect Dis. 2025. doi: 10.1093/infdis/jiaf642.
10. Wen R, Xu P, Cai Y, Wang F, Li M, Zeng X, et al. A deep learning model for the diagnosis and discrimination of Gram-positive and Gram-negative bacterial pneumonia for children using chest radiography images and clinical information. Infect Drug Resist. 2023;16:4083-4092. doi: 10.2147/IDR.S404786.
11. Smith JC, Spann A, McCoy AB, Johnson JA, Arnold DH, Williams DJ, et al. Natural language processing and machine learning to enable clinical decision support for treatment of pediatric pneumonia. AMIA Annu Symp Proc. 2021 Jan 25;2020:1130-1139. doi: 10.1093/jamiaopen/ooab050.
12. Hamdy RF, Arjoune Y, Nguyen T, Dome J, Khazraei A, Dolan P, et al. StrepApp: a deep learning-based tool for diagnosis of GAS pharyngitis in pediatric patients. J Pediatric Infect Dis Soc. 2025;14(Suppl 1):S1. doi: 10.1093/jpids/piaf072.001.
13. McGonagle EA, Karavite DJ, Grundmeier RW, Schmidt SK, May LS, Cohen DM, et al. Evaluation of an antimicrobial stewardship decision support for pediatric infections. Appl Clin Inform. 2023 Jan;14(1):108-118. doi: 10.1055/s-0042-1760082.
14. AlGain S, Marra AR, Kobayashi T, Marra PS, Celeghini PD, Hsieh MK, et al. Can we rely on artificial intelligence to guide antimicrobial therapy? A systematic literature review. Antimicrob Steward Healthc Epidemiol. 2025 Mar 31;5(1):e90. doi: 10.1017/ash.2025.47.
15. Laubenbacher R, Niarakis A, Helikar T, et al. Building digital twins of the human immune system: toward a roadmap. NPJ Digit Med. 2022;5:64. doi: 10.1038/s41746-022-00610-z.
16. Li X, Loscalzo J, Mahmud AKMF, Aly DM, Rzhetsky A, Zitnik M, et al. Digital twins as global learning health and disease models for preventive and personalized medicine. Genome Med. 2025 Feb 7;17(1):11. doi: 10.1186/s13073-025-01435-7.
17. Jimenez-Gutierrez DM, Zuazua E, Del Rio J, Sliusarenko O, Uribe-Etxebarria X. Federated learning for pediatric pneumonia detection: enabling collaborative diagnosis without sharing patient data. arXiv. 2025 Nov 12. doi: 10.48550/arXiv.2511.11714.
18. Guevara M, Chen S, Thomas S, Chaunzwa TL, Franco I, Kann BH, et al. Large language models to identify social determinants of health in electronic health records. NPJ Digit Med. 2024 Jan 11;7(1):6. doi: 10.1038/s41746-023-00970-0.
19. Landschaft, A., Abdelmoity, L., Chafjiri, F.M.A. et al. Clinician-in-the-loop screening saturation: predicting annotation yield for efficient EHR review. BMC Med Inform Decis Mak 25, 404 (2025). https://doi.org/10.1186/s12911-025-03241-y
20. Joseph J. Algorithmic bias in public health AI: a silent threat to equity in low-resource settings. Front Public Health. 2025 Jul 23;13:1643180. doi: 10.3389/fpubh.2025.1643180.
21. Ilić N, Sarajlija A. Artificial intelligence in the diagnosis of pediatric rare diseases: from real- world data toward a personalized medicine approach. J Pers Med. 2025 Sep 1;15(9):407. doi: 10.3390/jpm15090407.