E-bültene 
Doğan Şengül1 
Özet
Yapay zekâ (YZ), günlük pediatri pratiğine hızla girmektedir; ancak yoğun rutinde klinisyenler kısa ve uygulanabilir bir kaynak bulmakta güçlük çekebilmektedir. Bu derleme, her pediatristin güncel YZ uygulamaları hakkında bilmek isteyebileceği kısa, klinik açıdan kullanışlı ve pratik bilgileri sunmayı amaçlamaktadır. Ocak 2017-Nisan 2026 (son tarama tarihi: 30 Nisan 2026) arasında yayımlanan hakemli literatürün anlatısal nitelikte güncel bir derlemesi yapıldı. PubMed, Scopus ve pediatrik YZ’ye ayrılmış güncel özel sayılar tarandı. Arama terimleri (İngilizce) “yapay zekâ”, “makine öğrenmesi”, “derin öğrenme”, “büyük dil modelleri” ve “doğal dil işleme” kavramları ile “pediatri”, “çocuk”, “neonatal” ve pediatrik yan dal anahtar sözcükleri birleştirilerek oluşturuldu. Klinik uygulama, doğrulama, yanlılık, açıklanabilirlik ve yönetişimi ele alan hakemli çalışmalara, düzenleyici ve etik kılavuzlara ve güncel derlemelere öncelik verildi. Sistematik olmaktan çok anlatısal bir derleme amaçlandığından PRISMA akış diyagramı hazırlanmadı. Bulgular beş klinik alanda toplandı ve sentezlendi. Olgunluğa ulaşmış uygulamalar arasında görüntü temelli tanı (radyoloji, oftalmoloji, dismorfoloji), pediatrik yoğun bakımda kötüleşme ve sepsis öngörüsü, astım atağı tahmini, otizm taraması, tüm genom verisinden hızlandırılmış nadir hastalık tanısı, hassas dozlama ve büyük dil modeli tabanlı klinik dokümantasyon ile ebeveyn eğitimi araçları yer almaktadır. Dar tanımlı seçili görevlerde bildirilen performans, uzman düzeyine yaklaşabilmekte ve bazı çalışmalarda bu düzeyle örtüşebilmektedir; ancak genellenebilirlik veri kalitesine, popülasyon benzerliğine ve doğrulama (validasyon) süreçlerine büyük ölçüde bağlıdır. Buna karşın pediatrik YZ; küçük ve gelişimsel açıdan heterojen veri kümeleri, ırk ve cinsiyet yanlılıkları, veri kayması, şeffaflıktan yoksun “kara kutu” modeller ve reşit olmayanlarda karmaşık onam süreçleri gibi kendine özgü tehditlerle karşı karşıyadır. Farklılık ve çeşitlilik gösteren pediatrik popülasyonlarda dış doğrulama hâlâ kuraldan çok istisnadır. YZ, pediatristin yerine geçen değil, onu destekleyen artırılmış zekâ olarak anlaşılmalıdır. Pratik benimseme; YZ okuryazarlığı, araçların yaşa göre tabakalandırılmış kanıtlarla yapılandırılmış değerlendirilmesi, yanlılığa karşı dikkat ve duruma özgü yönetişim gerektirmektedir. YZ süreçlerine katılmak için gecikmeksizin çaba gösteren pediatristler, çocuklara özgü güvenli ve adil bir YZ’nin biçimlenmesine katkı sağlayacaktır.
Abstract
Artificial intelligence (AI) is rapidly entering paediatric practice, yet clinicians often lack a concise, practical orientation. We summarise what paediatricians should know about contemporary AI in a compact and clinically useful context. We performed a narrative state-of-the-art review of peer-reviewed literature published between January 2017 and April 2026 (last search date: 30.04.2026) using PubMed, Scopus, and special issues on AI in paediatrics. Search terms combined “artificial intelligence,” “machine learning,” “deep learning,” “large language models,” and “natural language processing” with “paediatric/pediatric,” “child,” “neonatal,” and paediatric subspecialty keywords. Priority was given to peer-reviewed studies, regulatory and ethics guidance, and recent reviews addressing clinical implementation, validation, bias, explainability, and governance. Because the review was narrative rather than systematic, no PRISMA flow diagram was prepared. Findings were organised around five clinical domains, with cross-cutting pitfalls synthesised. Mature applications include image-based diagnostics (radiology, ophthalmology, and dysmorphology), deterioration and sepsis prediction in the paediatric intensive care unit, asthma exacerbation forecasting, autism screening, accelerated rare-disease diagnosis from whole-genome data, precision dosing, and LLM-based clinical documentation and parental education tools. In selected narrow tasks under controlled test conditions, reported performance may approach, and in some studies overlap with, expert-level performance; however, generalisability is highly dependent on dataset quality, population similarity, and external validation. Conversely, paediatric AI faces unique threats: small and developmentally heterogeneous datasets, label scarcity, racial and gender bias, dataset shift, opaque “black box” reasoning, and complex consent for minors. Robust external validation in diverse paediatric populations remains the exception rather than the rule. AI is best understood as augmented intelligence that supports, rather than replaces, the paediatrician. Practical adoption requires AI literacy, structured evaluation of tools against age-stratified evidence, vigilance for bias, and explicit local governance. Paediatricians who engage early will help shape safe, equitable, child-specific AI.
