Pediatride Yapay Zekâ Vizyonu

Özet

Bu bölüm, çocuk sağlığında yapay zeka (YZ) kullanımının, yetişkin tıbbından radikal biçimde ayrışan biyogelişimsel dinamiklerini ve bu alandaki translasyonel boşluğu (klinik entegrasyon eksikliğini) ele almaktadır. Temel amaç, klinik sezgileri algoritmik öngörüyle güçlendirmek için pediatrik fizyolojinin karmaşıklığını ve veriye dayalı özgün zorlukları literatür ışığında analiz etmektir.

Amaç ve Kapsam

• Pediatrik yapay zekanın (YZ) yetişkin tıbbından ayrışan ontolojik ve fizyolojik temellerini açıklamak. Büyüme, matürasyon ve gelişimsel heterojenitenin algoritmik modelleme üzerindeki etkilerini analiz etmek
• Pediatrik veri kıtlığı, black box (kara kutu) sorunu ve algoritmik yanlılık gibi özgün zorlukları literatür ışığında tartışmak.
• Neonatolojiden palyatif bakıma kadar uzanan pediatrik yan dallar için kavramsal bir çerçeve çizmek.

Kapsam Dışı ve Sınırlılıklar

Bu bölüm, pediatrik YZ uygulamalarının klinik entegrasyonuna ve fizyolojik temellerine odaklanmaktadır. Dolayısıyla, aşağıdaki konular bu çalışmanın kapsamı dışında bırakılmıştır:

• Teknik Derinlik: Yapay zeka modellerinin (CNN, RNN, Transformers vb.) arka planındaki karmaşık matematiksel formülasyonlar, ileri düzey mimari detaylar ve kod düzeyindeki uygulamalar.
• Yetişkin Tıbbı: Yetişkin popülasyonuna ait YZ uygulamaları, yalnızca pediatrik fizyoloji ile karşılaştırma yapmak ve çocuklara özgü farkları vurgulamak amacıyla kullanılmış; yetişkinlere özgü hastalık modelleri detaylandırılmamıştır.
• Ticari ve Regülatif Süreçler: YZ tabanlı tıbbi cihazların FDA veya CE onay süreçleri, yasal mevzuatlar (GDPR/KVKK’nın etik boyutu hariç), geri ödeme politikaları ve maliyet- etkililik analizleri tartışma dışı bırakılmıştır.
• Coğrafi Sınırlılıklar: Bölümde sunulan veriler ve literatür, ağırlıklı olarak veri altyapısı gelişmiş sağlık sistemlerinden derlenmiştir; düşük gelirli ülkelerdeki altyapı yetersizliğine bağlı uygulama zorlukları spesifik bir alt başlık olarak irdelenmemiştir.

Giriş

Tıp pratiği, ampirik gözlemlerden veriye dayalı hassas tıp (precision medicine) çağına evrilirken, yapay zeka (YZ) ve makine öğrenmesi (MÖ) algoritmaları bu dönüşümün merkezinde yer almaktadır. Endüstri 4.0 devriminin sağlık hizmetlerine yansıması olan Sağlık 4.0, nesnelerin interneti (IoT), büyük veri analitiği, yapay zeka ve robotik sistemlerin entegrasyonunu hedeflerken; bu modelin çocuk sağlığına doğrudan uygulanması ontolojik ve epistemolojik hatalar barındırır. Bu bağlamda, Pediatri 4.0, Endüstri 4.0 teknolojilerinin çocukların özgün biyogelişimsel, fizyolojik ve etik ihtiyaçlarına göre spesifik olarak uyarlanması ve yeniden yapılandırılması olarak tanımlanmaktadır.[1]

Yetişkin tıbbında radyolojik görüntülemeden onkolojik tedavi planlamasına kadar geniş bir yelpazede yer bulan YZ uygulamaları, pediatri alanında benzersiz zorluklar ve aynı zamanda emsalsiz fırsatlar sunmaktadır. Pediatrik YZ'nın üç ana alanda yoğunlaştığını göstermektedir: görüntüleme, tanısal/tarama uygulamaları, prediktif modelleme ve klinik karar destek sistemleri (KKDS).[2–6] Görüntüleme alanında derin öğrenme modelleri, prenatal anomali tespitinde ve genetik sendromların yüz analizi ile tespitinde yüksek tanısal doğruluk bildirilmektedir.[6, 7] Ancak bu teknolojik iyimserlik, ciddi bir translasyonel boşluk ile gölgelenmektedir. Geliştirilen yüzlerce modele rağmen, bunların %5'inden azı rutin klinik iş akışlarına entegre edilebilmiştir.[6]

Bu giriş yazısı, pediatrik veri biliminin kendine özgü parametrelerini tanımlayacak ve takip eden bölümlerdeki alt disiplinler için bir kavramsal çerçeve çizecektir. Hedef, klinik sezgileri algoritmik öngörüyle güçlendirmek ve pediatrik fizyolojinin karmaşıklığını tanımlamaktır.

Pediatriye Özgü Gereksinimler: Büyüme, Matürasyon ve Veri

Pediatri pratiğinin en temel aksiyomu olan "Çocuklar, yetişkinlerin küçük birer kopyası değildir" ilkesi, yapay zeka modellemesinde hayati bir öneme sahiptir.[8] Bu önem, çocuk sağlığının biyogelişim kavramıyla iç içe geçmiş olması kaynaklıdır. Biyogelişim, çocuğun içinde bulunduğu çevresel ilişkiler, genetik etkileşimler ve fizyolojik adaptasyonların, öğrenme, davranış ve sağlık çıktıları üzerindeki kümülatif etkisini ifade eder.[9] Yetişkin tıbbı nispeten statik referans aralıkları ile tanımlanabilirken, pediatride fizyoloji; yenidoğan (0-28 gün), bebeklik (infant, 29 gün- 1 yaş), süt çocukluğu (toddler, 2-3 yaş), okul öncesi/erken çocukluk (3-5 yaş), okul çocuğu (6-12 yaş) ve adölesan (13-18 yaş) dönemleri boyunca sürekli ve hızlı bir değişim ve gelişim gösterir.[2]¹

Çocuklardaki bu fizyolojik büyüme/matürasyon süreçleri ve aile merkezli bakım yaklaşımları, YZ algoritmalarını karmaşıklaştırır.[5, 7, 10] Örneğin, vital bulgular yaşa göre değişkenlik gösterir ve bu, standart yetişkin modellerinin pediatrik vakalarda başarısızlığına yol açar. Bir makine öğrenmesi algoritması için, 140/dk kalp atış hızı, bir yetişkin için taşikardi ve potansiyel bir şok belirtisi iken, bir yenidoğan için tamamen normal fizyolojik bir değerdir. Yetişkin verileriyle eğitilen modeller, pediatride yanlılık (bias) yaratır. Eğer eğitim veri setleri, yaşa ve gelişimsel evreye göre normalize edilmezse (age-adjustment), algoritmaların yanlış pozitif alarm üretmesi veya kritik patolojileri normal olarak etiketleyerek kaçırması kaçınılmazdır.[11]

Biyolojik değişkenliğin ötesinde, bu dinamik yapı, pediatrik veri setlerinde ciddi bir veri kıtlığı (data scarcity) ve heterojenite sorununu beraberinde getirir.[7, 12, 13] Nadir genetik hastalıkların prevalansı, longitudinal yapı, etik kısıtlamalar ve kronik hastalık insidansının yetişkinlere göre düşüklüğü, derin öğrenme modellerinin ihtiyaç duyduğu büyük veri (big data) hacmine ulaşmayı zorlaştırmaktadır.[3, 10, 14–16] Bu soruna çözüm olarak, federe öğrenme (federated learning), sentetik veri üretimi ve transfer öğrenme (transfer learning) gibi yöntemler öne çıkmaktadır.[7, 13, 17, 18] Ancak, bu modellerin klinik entegrasyonunda GIGO (Garbage In, Garbage Out) ilkesi kritik bir risk faktörüdür; kalitesiz veya yanlı veriyle eğitilen modellerin çıktıları klinik hatalara yol açabilir.[19] Daha da önemlisi, veri kıtlığını aşmak için yetişkin verileriyle eğitilmiş modellerin pediatrik popülasyona uyarlandığı Transfer Öğrenme yaklaşımı, Alan Kayması Yanlılığı (Domain-shift bias) riskini barındırır.[20]

Pediatrik YZ için bir diğer kritik endişe kaynağı da algoritmik yanlılık temsil etmekte olup, mevcut sağlık eşitsizliklerini sürdürme veya şiddetlendirme potansiyeline sahiptir.[4, 19] YZ/MÖ geliştirmelerinin çoğu yüksek gelirli ülkelerde gerçekleşmiştir ve küresel pediatrik popülasyonların çeşitliliğini veya düşük ve orta gelirli ülkelerdeki çocukların sağlık ihtiyaçlarını yansıtmayabilir.[4] Algoritmik yanlılığın uluslararası işbirliği, kapasite geliştirme ve bağlama duyarlı geliştirme yaklaşımları ile ele alınması kaynak kısıtlı ortamlardaki çocukların ihtiyaçlarının YZ ile ihmal edilmesini önlemek için esastır.[1, 4]

Kaynakça

1. Onur D, Özbakır Ç. Pediatrics 4.0: the Transformative Impacts of the Latest Industrial Revolution on Pediatrics. Health Care Anal. Epub ahead of print 21 July 2025. DOI: 10.1007/s10728-025-00536-z.
2. Dimitri P. Precision diagnostics in children. Camb prisms Precis med 2023; 1: e17.
3. Malhotra A, Molloy EJ, Bearer CF, et al. Emerging role of artificial intelligence, big data analysis and precision medicine in pediatrics. Pediatr Res 2023; 93: 281–283.
4. Muralidharan V, Schamroth J, Youssef A, et al. Applied artificial intelligence for global child health: Addressing biases and barriers. PLOS Digit Health 2024; 3: e0000583.
5. Park T, Lee I-H, Lee SW, et al. Artificial intelligence in pediatric healthcare: current applications, potential, and implementation considerations. Clin Exp Pediatr 2025; 68: 641–651.
6. Wang Q, Yin J, Zhang X, et al. Applications of artificial intelligence in early childhood health management: a systematic review from fetal to pediatric periods. Front Pediatr 2025; 13:1613150.
7. Nagaraj S, Harish V, McCoy LG, et al. From Clinic to Computer and Back Again: Practical Considerations When Designing and Implementing Machine Learning Solutions for Pediatrics. Curr Treat Options Peds 2020; 6: 336–349.
8. Klassen TP, Hartling L, Craig JC, et al. Children Are Not Just Small Adults: The Urgent Need for High-Quality Trial Evidence in Children. PLoS Med 2008; 5: e172.
9. Richter F, Holmes E, Richter F, et al. Toward governance of artificial intelligence in pediatric healthcare. npj Digit Med 2025; 8: 636.
10. Lee Y, Hong S, Yon DK. Artificial intelligence in pediatric healthcare: bridging potential, clinical practice, and ethical considerations. Clin Exp Pediatr 2025; 68: 652–655.
11. Marassi C, Socia D, Larie D, et al. Children are small adults (when properly normalized): Transferrable/generalizable sepsis prediction. Surgery Open Science 2023; 16: 77–81.
12. Hua SBZ, Heller N, He P, et al. Lack of children in public medical imaging data points to growing age bias in biomedical AI. Epub ahead of print 7 June 2025. DOI: 10.1101/2025.06.06.25328913.
13. Sabharwal P, Hurst JH, Tejwani R, et al. Combining adult with pediatric patient data to develop a clinical decision support tool intended for children: leveraging machine learning to model heterogeneity. BMC Med Inform Decis Mak 2022; 22: 84.
14. Balla Y, Tirunagari S, Windridge D. Pediatrics in Artificial Intelligence Era: A Systematic Review on Challenges, Opportunities, and Explainability. Indian Pediatr 2023; 60: 561–569.
15. Ganatra HA. Machine Learning in Pediatric Healthcare: Current Trends, Challenges, and Future Directions. JCM 2025; 14: 807.
16. Ruiz D, Aznar L, Carbonell C. Artificial intelligence in Primary Care: applications, benefits, and limitations. RPAP; 27. Epub ahead of print 15 July 2025. DOI: 10.60147/4776da54.
17. Lee EH, Han M, Wright J, et al. An international study presenting a federated learning AI platform for pediatric brain tumors. Nat Commun 2024; 15: 7615.
18. Karst F, Li M, Reinhard P, et al. Not Enough Data to Be Fair? Evaluating Fairness Implications of Data Scarcity Solutions. Epub ahead of print 2025. DOI: 10.24251/HICSS.2025.822.
19. Demirbaş KC, Yıldız M, Saygılı S, et al. Artificial Intelligence in Pediatrics: Learning to Walk Together. Turkish Archives of Pediatrics 2024; 59: 121–130.
20. Musa A, Prasad R, Hernandez M. Addressing cross-population domain shift in chest X-ray classification through supervised adversarial domain adaptation. Sci Rep 2025; 15: 11383.

Footnotes

1. Çocukluk yaş grubunun sınıflandırması ülkelere, sağlık sistemlerine ve kurumlara göre farklılık göstermektedir. ↩