L’intégration de l’intelligence artificielle (IA) dans le domaine de la santé pédiatrique connaît une progression remarquable en 2025,  soit une augmentation de 46,2% par rapport à 2024. Cette analyse synthétise 95 études scientifiques publiées sur PubMed au cours de cette année, provenant de diverses institutions internationales, dont :

• l’Université de Graz (Autriche),
• l’Université de Campanie Luigi Vanvitelli (Italie),
• l’Université de Stanford (États-Unis),
• l’Université de Sydney (Australie),
• et de nombreux autres centres de recherche répartis en Europe, en Asie et aux Amériques.

Ces travaux, publiés dans des revues de référence documentent l’application de l’apprentissage automatique et de l’apprentissage profond dans des domaines cliniques variés, telles que :

• The Journal of Pediatrics,
• Frontiers in Digital Health,
• Nature Communications,
• Science Advances,
• et JMIR mHealth and uHealth.

Notre analyse consiste à évaluer comment l’IA transforme la pratique pédiatrique contemporaine, en identifiant ses applications diagnostiques, thérapeutiques et préventives, tout en examinant les défis méthodologiques et éthiques qui accompagnent son déploiement clinique. L’objectif est de fournir aux professionnels de santé et aux décideurs du secteur de la santé numérique une synthèse rigoureuse des données probantes disponibles sur l’utilisation de l’IA en pédiatrie, en mettant l’accent sur les résultats quantitatifs, les performances des modèles, et les implications pour la pratique clinique.

18 applications diagnostiques et/ou cliniques de l’IA pour l’enfant

Pneumonie pédiatrique et imagerie pulmonaire

L’analyse de Rickard et al. (2025), publiée dans *Computer Methods and Programs in Biomedicine*, constitue une revue systématique de 35 études portant sur la classification de la pneumonie virale et bactérienne chez les enfants par apprentissage automatique. Cette distinction diagnostique demeure cliniquement importante car elle oriente les décisions thérapeutiques, notamment l’utilisation appropriée des antibiotiques. Les résultats révèlent une performance médiane de 92,3% de précision (intervalle : 80,8% à 97,9%) pour la classification binaire entre pneumonie virale et bactérienne. Pour la classification multiclasse (sain, pneumonie virale, pneumonie bactérienne), la précision médiane atteint 91,8% (intervalle : 76,8% à 99,7%).

L’étude identifie que 31 des 35 études analysées utilisent le même jeu de données publique (Kermany dataset), ce qui soulève des préoccupations concernant le surapprentissage et la généralisabilité des modèles. La majorité des études (n=33) emploient des réseaux de neurones convolutifs (CNN) pour la classification des radiographies thoraciques. Cette concentration méthodologique limite la diversité des approches et la validation externe des résultats, soulignant la nécessité de développer des ensembles de données plus représentatifs de populations cliniques variées.

 Détection des malformations auriculaires néonatales

Ren et al. (2025), dans *EClinicalMedicine*, présentent un système d’IA pour l’identification des malformations auriculaires chez les nouveau-nés via une application smartphone. Le modèle, développé à partir du jeu de données BabyEar4k (3852 images auriculaires) et d’un ensemble additionnel de 104 images de microtie provenant de l’Hôpital ORL de l’Université Fudan, atteint une précision de 0,83 à 0,85 pour la classification en six catégories et de 0,94 à 0,98 pour la classification binaire normal/anormal.

L’architecture ResNet50 démontre la performance la plus constante parmi quatre architectures évaluées. La validation multicentrique dans trois centres chinois (Xinjiang N=252, Guizhou N=186, Fujian N=252) confirme une précision de 0,74 à 0,82 pour la classification en six classes et de 0,79 à 0,86 pour la classification normale/anormale, attestant de la robustesse du système. L’analyse comparative avec des volontaires humains révèle que les professionnels atteignent une précision de 0,7-0,8, tandis que les personnes non spécialisées obtiennent 0,45-0,55, démontrant la capacité du système à égaler ou surpasser l’expertise humaine.

 Dépistage néonatal et maladies métaboliques

Xie et al. (2025), dans *BMC Medical Genomics*, explorent l’intégration du séquençage génomique, de la métabolomique ciblée et de l’apprentissage automatique pour améliorer la précision du dépistage néonatal. L’étude analyse 119 cas positifs au dépistage en Californie, couvrant quatre pathologies : l’acidurie glutarique de type I (GA-I), l’acidémie propionique/méthylmalonique (PA/MMA), le déficit en ornithine transcarbamylase (OTCD) et le déficit en acyl-CoA déshydrogénase des acides gras à très longue chaîne (VLCADD).

Le séquençage génomique confirme 89% (31/35) des vrais positifs par la présence de deux variants rapportables. Parmi 84 faux positifs, 74% (62) ne présentent aucun variant, tandis que 26% (22) portent un variant pathogène ou probablement pathogène. Pour le VLCADD, 50% des faux positifs (15/29) sont des porteurs de variants ACADVL (P=4,66×10⁻⁷), indiquant que les variants ACADVL élèvent les biomarqueurs et augmentent le taux de faux positifs. La métabolomique couplée à l’IA détecte tous les vrais positifs (sensibilité 100%), tandis que le séquençage génomique réduit les faux positifs de 98,8%.

 Classification des pleurs néonataux

Özdemir et Yilmaz (2025), dans *Journal of Voice*, développent un système de détection et classification automatique des pleurs de nouveau-nés par apprentissage automatique. L’étude porte sur 32 nouveau-nés en condition médicale stable dans une unité de soins intensifs néonatals, avec des enregistrements collectés sur des périodes de 12 heures. Le système identifie six modèles comportementaux : repos, faim, somnolence, douleur, besoin de rot et détresse.

La méthode utilise la transformée de Fourier à court terme pour convertir les signaux audio en spectrogrammes, qui sont ensuite analysés par un réseau de neurones convolutifs profond couplé à un classificateur à machine à vecteurs de support. Le système atteint une précision de 91,856% dans l’identification des besoins du nouveau-né par analyse temporelle des unités de pleurs, offrant une solution sans contact et économique pour la pratique clinique.

 Applications mobiles pour la santé mentale infantile

Yang et al. (2025), dans *JMIR mHealth and uHealth*, réalisent une analyse complète de 27 applications mobiles basées sur l’IA pour la santé mentale infantile, identifiées à partir de 369 applications initialement évaluées. L’évaluation qualitative utilise le Mobile Application Rating Scale (MARS), révélant un score moyen de 3,45/5 (ET 0,5), indiquant une nécessité d’amélioration de la qualité. L’analyse de lisibilité montre des scores sous-optimaux, avec un niveau de lecture moyen de 6,62 (ET 2,2) pour le contenu intra-application et de 9,93 (ET 2,6) pour les descriptions des boutiques d’applications.

L’analyse de contenu catégorise les applications en trois groupes fonctionnels : applications basées sur des chatbots (15 applications), applications de journalisation (9 applications) et applications de traitement psychothérapeutique (3 applications). Bien que 20 des 27 applications (74%) utilisent des technologies cliniquement validées, les essais cliniques rigoureux demeurent rares, avec seulement 2 applications ayant fait l’objet d’essais cliniques. Parmi les 27 applications, 7 (26%) sont gratuites, tandis que 20 nécessitent un abonnement ou un paiement unique, avec un coût moyen de 20,16 USD par mois, ce qui peut constituer une barrière d’accès pour certaines populations.

 Modèles de prédiction en psychiatrie infantile

Till et Briganti (2025), dans *Psychiatrica Danubina*, présentent une revue systématique des modèles d’apprentissage automatique en psychiatrie infantile. Sur 65 études identifiées, 33 répondent aux critères d’inclusion. La majorité se concentre sur le trouble déficitaire de l’attention avec hyperactivité (TDAH) et les troubles du spectre autistique (TSA), avec d’autres études abordant la schizophrénie, le trouble bipolaire, les troubles alimentaires, les comportements suicidaires et la dépression. L’emphase porte principalement sur les applications diagnostiques.

Les résultats sont hétérogènes en raison de la variabilité des algorithmes, des ensembles de données et des mesures de résultats, avec des performances allant de modestes à élevées. Les principales limitations identifiées incluent de petites tailles d’échantillon, l’absence de validation externe et le surapprentissage. L’étude souligne que l’apprentissage automatique en psychiatrie infantile et adolescente en est à un stade précoce mais montre un potentiel considérable, nécessitant des méthodes standardisées, une interprétabilité accrue et des garanties éthiques pour la traduction clinique.

 Reconnaissance des émotions en soins pédiatriques

Figueiredo et al. (2025), dans *Journal of Pediatric Nursing*, réalisent une revue systématique de 23 études sur l’application de l’IA à la reconnaissance émotionnelle en pédiatrie. Les études varient en méthodologie et portée, incluant l’utilisation de l’IA pour la reconnaissance émotionnelle faciale, vocale et basée sur le dessin, avec des applications dans divers domaines cliniques. Les outils basés sur l’IA démontrent des niveaux de précision prometteurs, notamment dans l’amélioration de l’identification des émotions, le soutien au diagnostic précoce et l’information des décisions cliniques.

L’IA présente un potentiel transformateur pour les soins pédiatriques en améliorant l’identification et la gestion des états émotionnels, particulièrement chez les populations vulnérables. En reconnaissant et répondant aux besoins émotionnels, l’IA peut améliorer la personnalisation des soins et créer des environnements thérapeutiques émotionnellement sensibles.

 Méta-analyse de l’apprentissage automatique pour la malnutrition

Rao et al. (2025), dans *International Journal of Environmental Research and Public Health*, présentent une méta-analyse de 11 études utilisant l’apprentissage automatique sur les données des Demographic and Health Surveys (DHS) pour prédire la malnutrition chez les enfants de moins de cinq ans. Les études, publiées entre 2019 et 2023, proviennent majoritairement du Bangladesh (n=6, 55%). Dix études rapportent le retard de croissance, trois l’émaciation et quatre l’insuffisance pondérale.

La méta-analyse de dix études révèle une précision agrégée de 68,92% (IC 95% : 66,04-71,80 ; I²=100%) pour la prédiction du retard de croissance. Trois études indiquent une précision agrégée de 84,39% (IC 95% : 80,90-87,87 ; I²=100%) pour la prédiction de l’émaciation. Quatre études montrent une précision agrégée de 73,60% (IC 95% : 70,01-77,20 ; I²=100%) pour la prédiction de l’insuffisance pondérale. Cette méta-analyse démontre que les modèles d’apprentissage automatique présentent des performances métriques modérées à bonnes dans la prédiction de la malnutrition.

 Prédiction de la malnutrition aiguë infantile

Constenla-Villoslada et al. (2025), dans *Proceedings of the National Academy of Sciences*, démontrent que la surveillance à haute fréquence couplée à l’apprentissage automatique permet la prévision de la malnutrition aiguë infantile pour l’alerte précoce. L’étude utilise des données longitudinales pour développer des modèles prédictifs qui identifient les enfants à risque avant l’apparition de signes cliniques manifestes, offrant une opportunité d’intervention préventive.

Saleem et al. (2025), dans *American Journal of Human Biology*, explorent les facteurs de risque et la modélisation prédictive de la malnutrition infantile au Pakistan. Les facteurs de risque identifiés incluent les mariages consanguins, un statut socio-économique inférieur, une faible éducation maternelle et des disparités géographiques dans les provinces du Sindh et du Baloutchistan. Parmi les modèles d’apprentissage automatique testés (Random Forest, Support Vector Machine, Naïve Bayes, AdaBoost), Random Forest démontre la précision et la spécificité globales les plus élevées, tandis que SVM présente une sensibilité supérieure pour les enfants émaciés et en insuffisance pondérale.

 Analyse tridimensionnelle des interactions caregiver-enfant

Weng et al. (2025), dans *Science Advances*, introduisent HARMONI, une méthode de vision par ordinateur 3D et de traitement audio pour analyser le comportement et les interactions caregiver-enfant à partir de vidéos observationnelles. HARMONI opère à une résolution de sous-seconde, estimant des représentations de maillage 3D et des interactions spatiales humaines, et s’adapte aux environnements naturels exigeants grâce à un module de génération de données synthétiques ciblées sur l’environnement.

Déployé sur 500 heures du jeu de données SEEDLingS, HARMONI génère des mesures quantitatives détaillées du comportement humain 3D auparavant inaccessibles par des efforts manuels ou des méthodes 2D. Le système identifie des tendances longitudinales dans l’interaction enfant-caregiver, incluant le mouvement de l’enfant, la posture corporelle, le contact dyadique, la visibilité et les tours conversationnels. L’analyse visuelle et audio intégrée révèle des tendances multimodales, notamment des associations entre les tours conversationnels de l’enfant et le mouvement. HARMONI atteint une cohérence de 63 à 80% sur les attributs clés avec les annotateurs humains sur SEEDLingS et de 84 à 93% sur des vidéos issues d’un environnement de laboratoire, tout en réalisant une économie de temps supérieure à 100 fois.

 Analyse automatique de la posture infantile

Gama et al. (2025), dans *Behavior Research Methods*, comparent sept méthodes de réseaux de neurones profonds pour l’estimation automatique de la pose 2D des nourrissons à partir de vidéos. Cette capacité d’analyse automatisée facilite l’évaluation du développement moteur et peut identifier précocement des retards développementaux. L’étude évalue la performance comparative de différentes architectures pour déterminer les approches les plus appropriées pour l’analyse de la posture infantile.

Kulvicius et al. (2025), dans *Communications Medicine*, démontrent que l’apprentissage profond combiné à la fusion de capteurs améliore la classification des mouvements infantiles. L’intégration de multiples modalités de capteurs avec des algorithmes d’apprentissage profond permet une caractérisation plus précise des patterns de mouvement infantile, avec des applications potentielles dans le dépistage précoce des troubles neurodéveloppementaux.

 Prédiction du vocabulaire infantile

Tóth et al. (2025), dans *Brain Research*, utilisent l’apprentissage automatique pour prédire le vocabulaire infantile à partir de la connectivité neuronale et du discours maternel. L’étude intègre des données de neuroimagerie et d’analyse linguistique pour identifier les prédicteurs précoces du développement du langage, offrant des opportunités d’intervention précoce chez les enfants présentant des risques de retard langagier.

Pol et Agrawal (2025), dans *Discovery Mental Health*, réalisent une analyse bibliométrique et méta-analytique systématique des facteurs clés et des perspectives émergentes de l’IA et de l’apprentissage automatique dans le développement cognitif infantile. L’analyse de 122 articles de revues publiés au cours des 10 dernières années révèle que la majorité des travaux de recherche pour le diagnostic du développement cognitif dans la petite enfance a été réalisée par des méthodes statistiques traditionnelles. L’application de l’IA et de l’apprentissage automatique dans le diagnostic cognitif précoce demeure limitée et sous-explorée, soulignant un domaine nécessitant des recherches supplémentaires.

 Détection de la douleur infantile

Zhang et al. (2025), dans *Computers, Informatics, Nursing*, développent une approche d’apprentissage profond pour l’évaluation de la douleur infantile utilisant les expressions faciales par réseau de neurones convolutifs. Cette technologie objective de mesure de la douleur complète les échelles subjectives d’évaluation et peut faciliter une analgésie plus appropriée chez les nourrissons non verbaux.

Roué et al. (2025), dans *Paediatric and Neonatal Pain*, présentent la détection objective de la douleur procédurale aiguë chez les nouveau-nés utilisant l’EEG et des algorithmes d’apprentissage automatique. L’étude enregistre l’EEG de 30 nouveau-nés (18 mâles, 34,0-41,7 semaines de gestation à la naissance) subissant des procédures douloureuses aiguës. Un modèle de gradient boosting avec 12 caractéristiques démontre une performance optimale, avec 90% d’aire sous la courbe ROC, suggérant une spécificité élevée (0,90) et une précision (0,90). Les cinq caractéristiques les mieux classées correspondent à des paires d’électrodes EEG : T7-P4, Fz-CP5, FC1-TP10, CP6-Cz et Fz-F3, suggérant l’implication du gyrus temporal controlatéral, du cortex operculaire, du thalamus et de l’insula bilatérale dans le traitement de la douleur infantile.

 Prédiction des cardiopathies congénitales critiques

Mayourian et al. (2025), dans *JACC Clinical Electrophysiology*, développent un modèle d’apprentissage profond basé sur l’électrocardiogramme infantile pour prédire les cardiopathies congénitales critiques. Cette approche non invasive offre un potentiel de dépistage précoce des malformations cardiaques nécessitant une intervention urgente, avec des implications pour la morbi-mortalité néonatale.

 Dépistage de la méningite infantile par échographie

Sial et al. (2025), dans *Ultrasound in Medicine & Biology*, présentent un nouveau système de dépistage de la méningite infantile par IA utilisant l’imagerie échographique haute résolution. L’étude démontre la faisabilité d’un outil de dépistage par ultrasons pour identifier la méningite chez les nourrissons, une condition nécessitant un diagnostic et un traitement rapides pour minimiser les complications neurologiques.

 Analyse de la composition corporelle néonatale

He et al. (2025), dans *Ultrasound in Medicine & Biology*, développent des techniques d’apprentissage profond pour la prédiction de la composition corporelle néonatale basée sur l’échographie. L’évaluation précise de la composition corporelle néonatale peut identifier les nourrissons à risque de complications métaboliques et guider les interventions nutritionnelles appropriées.

 Promotion de l’équité en santé infantile

Cheung et al. (2025), dans *Pediatrics*, examinent l’utilisation de l’IA et de l’apprentissage automatique pour promouvoir l’équité en santé infantile. L’étude décrit deux cas d’utilisation novateurs appliqués pour promouvoir l’équité en santé des populations dans une population diverse de Londres : (1) un algorithme d’apprentissage automatique développé et entraîné utilisant des données démographiques collectées en routine pour prédire la non-présentation aux rendez-vous ambulatoires dans divers contextes et (2) un outil de prédiction des risques pour les enfants asthmatiques utilisant plusieurs métriques routinières à travers le spectre des déterminants de santé pour cibler les interventions préventives vers les patients asthmatiques à haut risque.

L’expérience décrite souligne les façons possibles dont l’iniquité peut être inadvertamment intégrée dans les données d’entraînement, le modèle d’apprentissage automatique et sa mise en œuvre, avec des stratégies d’atténuation pour le présent et l’avenir. Cette perspective souligne l’importance d’une approche consciente de l’équité dans le développement et le déploiement de systèmes d’IA en pédiatrie.

 Identification des déterminants sociaux dans la maltraitance infantile

Kazemi et al. (2025), dans *Neurosurgery*, utilisent l’apprentissage automatique pour identifier les déterminants sociaux de la maltraitance infantile dans les traumatismes crâniens pédiatriques. L’étude révèle que des facteurs socio-économiques complexes contribuent au risque de maltraitance, permettant une identification plus précoce des cas à risque et des interventions ciblées de protection de l’enfance.

Considérations éthiques et qualité des modèles

L’intégration de l’IA en pédiatrie soulève des enjeux de sécurité, d’équité et de qualité méthodologique :

• Des cadres éthiques robustes sont nécessaires pour protéger la vie privée et les droits des enfants, garantir la transparence des algorithmes, et assurer la participation des parties prenantes pédiatriques.​
• Le consentement éclairé reste complexe : les enfants sont une population vulnérable, avec une capacité de décision limitée.
• Les biais algorithmiques, liés à la représentativité restreinte des jeux de données, peuvent accroître les inégalités de santé.​
• L’accès aux applications IA reste inéquitable (74% à abonnement payant pour la santé mentale infantile, barrière pour les familles à faibles revenus).
• La validation des modèles demeure un défi : surapprentissage fréquent, absence de validation externe, forte hétérogénéité des méthodes.​
• Les recommandations actuelles incitent à développer :
  • Des jeux de données multicentriques et représentatifs ;
  • L’adoption de standards de reporting (TRIPOD-AI) et de validation externe systématique ;
  • Une évaluation continue de l’impact clinique réel et de la qualité de vie

Tableau 1 : Performances des principaux modèles IA en pédiatrie

Application clinique	Précision	N études	Référence
Pneumonie virale vs bactérienne (binaire)	92,3 %	35	Rickard et al., 2025
Pneumonie (multiclasse)	91,8 %	35	Rickard et al., 2025
Malformations auriculaires (6 classes)	83-85 %	1	Ren et al., 2025
Malformations auriculaires (binaire)	94-98 %	1	Ren et al., 2025
Classification pleurs néonataux	91,9 %	1	Özdemir et Yilmaz, 2025
Retard de croissance infantile	68,9 %	10	Rao et al., 2025
Émaciation infantile	84,4 %	3	Rao et al., 2025
Insuffisance pondérale infantile	73,6 %	4	Rao et al., 2025
Dépistage néonatal (sensibilité)	100 %	1	Xie et al., 2025
Dépistage néonatal (réduction faux positifs)	98,8 %	1	Xie et al., 2025
Douleur procédurale néonatale (spécificité)	90 %	1	Roué et al., 2025

Tableau 2 : Implications pour la pratique clinique

Implications	Étude / Auteur	Application / Conclusion
Transformation des flux de travail cliniques	Cheung et al.	Prédiction de la non-présentation aux rendez-vous, gestion proactive des listes d’attente, réduction du gaspillage de ressources
Médecine de précision et personnalisation des soins	Xie et al.	Intégration de données génomiques, métabolomiques et d’apprentissage automatique pour améliorer le dépistage néonatal, interventions personnalisées précoces, prédiction des risques de malnutrition, identification précoce des troubles neurodéveloppementaux, stratification des patients
Soutien à la décision clinique	Miranda et al.	L’IA ne surpasse pas les médecins en pédiatrie, importance de l’expertise clinique spécialisée, nécessité d’une collaboration synergique entre IA et cliniciens
Défis d’implémentation et considérations régulatrices	Chng et al.	Validation dans des environnements réels, intégration sans charge supplémentaire, conformité aux normes réglementaires, importance de cadres éthiques robustes, transparence algorithmique, protection de la vie privée, évaluation continue de l’impact

Enseignements, défis et perspectives :

L’analyse de 95 études publiées en 2025 révèle que l’IA transforme progressivement la pratique pédiatrique à travers des applications diagnostiques, thérapeutiques et préventives. Les performances quantitatives des modèles d’apprentissage automatique varient selon les applications cliniques, avec des précisions allant de 68,9% pour la prédiction du retard de croissance à 100% de sensibilité pour certaines applications de dépistage néonatal.

Les domaines d’application les plus développés incluent l’imagerie médicale (pneumonie, malformations auriculaires), la santé mentale infantile, la prédiction de la malnutrition, l’analyse comportementale et développementale et le dépistage néonatal. Les systèmes d’IA démontrent une capacité à égaler ou surpasser l’expertise humaine dans des tâches diagnostiques spécifiques, tout en présentant des limitations dans des contextes nécessitant un jugement clinique complexe.

Les défis méthodologiques majeurs incluent le surapprentissage dû à des ensembles de données limités, l’absence de validation externe rigoureuse, l’hétérogénéité des approches et les préoccupations d’équité dans l’accès et l’application des technologies. Les considérations éthiques, particulièrement la protection de la vie privée des enfants, la transparence algorithmique et l’équité dans le déploiement, nécessitent une attention continue.

Les implications pour la santé numérique incluent la nécessité de développer des infrastructures de données robustes, des cadres réglementaires adaptés, des programmes de formation pour les professionnels de santé et des mécanismes pour assurer l’accès équitable aux technologies d’IA. L’intégration optimale de l’IA en pédiatrie nécessite une approche collaborative entre cliniciens, informaticiens, décideurs politiques, régulateurs et familles.

Les directions futures prioritaires incluent la standardisation des méthodes de recherche, le développement de jeux de données représentatifs et diversifiés, l’intégration multimodale de données hétérogènes, l’évaluation de l’impact clinique réel par des essais contrôlés et l’adaptation des solutions aux contextes à ressources limitées pour promouvoir l’équité en santé mondiale infantile.

L’intelligence artificielle en pédiatrie en 2025 à travers ces études représente un domaine en maturation rapide, avec des applications prometteuses mais nécessitant des validations rigoureuses, des garanties éthiques et une mise en œuvre réfléchie pour réaliser son potentiel transformateur tout en protégeant les populations pédiatriques vulnérables.

Bibliographie :

1. Pokorny FB, Bartl-Pokorny KD. Editorial: Artificial intelligence for child health and wellbeing. Front Digit Health. 2025;7:1685788. doi: 10.3389/fdgth.2025.1685788. PMID: 40978696; PMCID: PMC12446228.

2. Mondillo G, Perrotta A, Colosimo S, Frattolillo V, Masino M, Pettoello-Mantovani M. Artificial Intelligence in Pediatrics: An Opportunity to Lead, not to Follow. J Pediatr. 2025;283:114641. doi: 10.1016/j.jpeds.2025.114641. PMID: 40368240.

3. Rickard D, Kabir MA, Homaira N. Machine learning-based approaches for distinguishing viral and bacterial pneumonia in paediatrics: A scoping review. Comput Methods Programs Biomed. 2025;268:108802. doi: 10.1016/j.cmpb.2025.108802. PMID: 40349546.

4. Ren LJ, Yang RJ, Chen LL, et al. Artificial intelligence assisted identification of newborn auricular deformities via smartphone application. EClinicalMedicine. 2025;81:103124. doi: 10.1016/j.eclinm.2025.103124. PMID: 40083444; PMCID: PMC11905851.

5. Pol T, Agrawal R. A systematic bibliometric and meta analysis of key factors and emerging AI and ML insights in shaping child cognitive development. Discov Ment Health. 2025;5(1):180. doi: 10.1007/s44192-025-00309-z. PMID: 41258603; PMCID: PMC12630432.

6. Özdemi̇r S, Yilmaz EÇ. Automated Detection and Classification of Newborn Crying with Machine Learning. J Voice. 2025. S0892-1997(25)00463-1. doi: 10.1016/j.jvoice.2025.10.041. PMID: 41253665.

7. Yang F, Wei J, Zhao X, An R. Artificial Intelligence-Based Mobile Phone Apps for Child Mental Health: Comprehensive Review and Content Analysis. JMIR Mhealth Uhealth. 2025;13:e58597. doi: 10.2196/58597. PMID: 40479582; PMCID: PMC12165445.

8. Golub Y, Wulff A, Plösch T. From haze to horizon: epigenetic research and artificial intelligence in child and adolescent psychiatry. Eur Child Adolesc Psychiatry. 2025;34(4):1245-1248. doi: 10.1007/s00787-025-02686-w. PMID: 40111558; PMCID: PMC12000212.

9. Till AC, Briganti G. Outcomes in machine learning models for child psychiatry: a systematic review of the literature. Psychiatr Danub. 2025;37(Suppl 1):79-84. PMID: 40982877.

10. Xie Y, Peng G, Tikhonova I, Enns G, Zhao H, Cowan T, Scharfe C. Improving newborn screening accuracy through genome sequencing, targeted metabolomics, and machine learning. BMC Med Genomics. 2025;18(1):187. doi: 10.1186/s12920-025-02261-x. PMID: 41257776.

11. Rao B, Rashid M, Hasan MG, Thunga G. Machine learning in predicting child malnutrition: A meta-analysis of demographic and health surveys data. Int J Environ Res Public Health. 2025;22(3):449. doi: 10.3390/ijerph22030449. PMID: 40238576; PMCID: PMC11941938.

12. Cheung CR, Butler M, Cooper C, Dhanoa H. Using artificial intelligence and machine learning to promote child health equity. Pediatrics. 2025;156(Suppl 1):e2025070739L. doi: 10.1542/peds.2025-070739L. PMID: 40887086.

13. Khalatkar V. Artificial intelligence in pediatrics. Indian Pediatr. 2025. doi: 10.1007/s13312-025-00227-x. PMID: 41191325.

14. Figueiredo AR, Pereira A, Frias F, Rodrigues LMD, Diogo P. Applications of artificial intelligence in emotion recognition in pediatrics health care: Scoping review. J Pediatr Nurs. 2025;85:593-606. doi: 10.1016/j.pedn.2025.09.017. PMID: 41033239.

15. Weng Z, Bravo-Sánchez L, Wang Z, Howard C, Xenochristou M, Meister N, et al. Artificial intelligence-powered 3D analysis of video-based caregiver-child interactions. Sci Adv. 2025;11(7):eadp4422. doi: 10.1126/sciadv.adp4422. PMID: 39951536; PMCID: PMC11837989.

16. Victor A. The role of artificial intelligence in maternal and child health: Progress, controversies, and future directions. PLOS Digit Health. 2025;4(7):e0000938. doi: 10.1371/journal.pdig.0000938. PMID: 40674369; PMCID: PMC12270093.

17. Sial HA, Carandell F, Ajanovic S, Jiménez J, Quesada R, Santos F, et al. Novel artificial intelligence-driven infant meningitis screening from high-resolution ultrasound imaging. Ultrasound Med Biol. 2025;51(9):1399-1410. doi: 10.1016/j.ultrasmedbio.2025.04.009. PMID: 40582896.

18. Mehta S, Huey SL, Fahim SM, Sinha S, Rajagopalan K, Ahmed T, et al. Advances in artificial intelligence and precision nutrition approaches to improve maternal and child health in low resource settings. Nat Commun. 2025;16(1):7673. doi: 10.1038/s41467-025-62985-3. PMID: 40825980; PMCID: PMC12361493.

19. Kulvicius T, Zhang D, Poustka L, Bölte S, Jahn L, Flügge S, et al. Deep learning empowered sensor fusion boosts infant movement classification. Commun Med (Lond). 2025;5(1):16. doi: 10.1038/s43856-024-00701-w. PMID: 39809877; PMCID: PMC11733215.

20. Chng SY, Tern MJW, Lee YS, Cheng LT, Kapur J, Eriksson JG, et al. Ethical considerations in AI for child health and recommendations for child-centered medical AI. NPJ Digit Med. 2025;8(1):152. doi: 10.1038/s41746-025-01541-1. PMID: 40065130; PMCID: PMC11893894.

21. Safarzadeh S, Ardabili NS, Farashah MV, Roozbeh N, Darsareh F. Predicting mother and newborn skin-to-skin contact using a machine learning approach. BMC Pregnancy Childbirth. 2025;25(1):182. doi: 10.1186/s12884-025-07313-9. PMID: 39966775; PMCID: PMC11837404.

22. Pucinischi V, DI Nardo G, Felici E, Mennini M. Pediatrics and artificial intelligence: shaping the future of child healthcare. Minerva Pediatr (Torino). 2025. doi: 10.23736/S2724-5276.25.07871-1. PMID: 40338517.

23. Kurath-Koller S. Artificial intelligence in pediatrics: promise, peril, and the path ahead. Front Pediatr. 2025;13:1631521. doi: 10.3389/fped.2025.1631521. PMID: 40661893; PMCID: PMC12256534.

24. Spahić L, Sredović U, Kurpejović Z, Mrdanović E, Pokvić G, Badnjević A. Machine learning for improved medical device management: a focus on infant incubators. Technol Health Care. 2025;33(4):2034-2040. doi: 10.1177/09287329241292168. PMID: 40025922.

25. Dessie MB, Adisu MA. An artificial neural network approach for predicting infant mortality status in Ethiopia. BMC Public Health. 2025;25(1):3515. doi: 10.1186/s12889-025-24884-6. PMID: 41102669; PMCID: PMC12532801.

26. Zeng Q, Zhu J, Yang Q, Su S, Huang X. AI-driven maternal and child healthcare nursing education: Network analysis of self-efficacy and usage demands. Nurse Educ Today. 2026;156:106899. doi: 10.1016/j.nedt.2025.106899. PMID: 41100953.

27. Tóth B, Háden GP, Tóth I, Lakatos K, Kohári A, Mády K, et al. Predicting infant vocabulary from neural connectivity and maternal speech: a machine learning approach. Brain Res. 2025;1866:149892. doi: 10.1016/j.brainres.2025.149892. PMID: 40914541.

28. Lamot L, Likić R. The promises and perils of artificial intelligence in clinical medicine: a dual perspective from internal medicine and pediatrics. Croat Med J. 2025;66(4):243-246. doi: 10.3325/cmj.2025.66.243. PMID: 40916499; PMCID: PMC12424215.

29. Kazemi F, Horowitz MA, Lee D, Cohen AR. Machine learning insights into social determinants driving child abuse in pediatric traumatic brain injury. Neurosurgery. 2025. doi: 10.1227/neu.0000000000003720. PMID: 40923793.

30. Liu HF, Lu Q, Fu HM. Advances in application of artificial intelligence in pediatrics. Zhonghua Er Ke Za Zhi. 2025;63(10):1155-1158. doi: 10.3760/cma.j.cn112140-20250818-00766. PMID: 40962554.

31. Wang H, Li L, Wang W, Li Z, Jian T, Yang X, et al. Development and validation of a deep learning image quality feedback system for infant fundus photography. Sci Rep. 2025;15(1):26852. doi: 10.1038/s41598-025-10859-5. PMID: 40702071; PMCID: PMC12287466.

32. Kutty S, Cheung YF, Viswanathan S, Danford DA. Reimagining pediatrics in a world of artificial intelligence: will we be empowered or imperiled? Mayo Clin Proc Digit Health. 2025;3(4):100258. doi: 10.1016/j.mcpdig.2025.100258. PMID: 41030614; PMCID: PMC12478232.

33. Lukmanjaya W, Butler T, Cox S, Perez-Concha O, Bromfield L, Karystianis G, et al. Leveraging AI to investigate child maltreatment text narratives: promising benefits and addressable risks. JMIR Pediatr Parent. 2025;8:e73579. doi: 10.2196/73579. PMID: 40705434; PMCID: PMC12288702.

34. He K, Hohenberg J, Li Y, Xiao A, Cho H, Nagel E, et al. Enhancing newborn health assessment: ultrasound-based body composition prediction using deep learning techniques. Ultrasound Med Biol. 2026;52(1):207-215. doi: 10.1016/j.ultrasmedbio.2025.09.016. PMID: 41102035; PMCID: PMC12614439.

35. Zhang L, Zhu TY, Zhang Y. A deep learning approach for infant pain assessment using facial expressions through convolutional neural network. Comput Inform Nurs. 2025;43(7):e01302. doi: 10.1097/CIN.0000000000001302. PMID: 40164059.

36. Endo PT. Artificial intelligence for women and child healthcare: is AI able to change the beginning of a new story? A perspective. Health Sci Rep. 2025;8(5):e70779. doi: 10.1002/hsr2.70779. PMID: 40330751; PMCID: PMC12053047.

37. Drăgoi AL, Nemeș RM. “Electronic Pediatrician”, a non-machine learning prototype artificial intelligence software for pediatric computer-assisted pathophysiologic diagnosis – general presentation. World J Methodol. 2025;15(3):100903. doi: 10.5662/wjm.v15.i3.100903. PMID: 40881228; PMCID: PMC11948191.

38. Roué JM, Avnit A, Gholami B, Haddad WM, Anand KJS. Objective detection of newborn infant acute procedural pain using EEG and machine learning algorithms. Paediatr Neonatal Pain. 2025;7(1):e70001. doi: 10.1002/pne2.70001. PMID: 40066435; PMCID: PMC11891568.

39. Saleem MU, Aslam MU, Khatir AG, Jiang Q. Exploring risk factors and predictive modeling of child malnutrition in Pakistan using machine learning. Am J Hum Biol. 2025;37(9):e70124. doi: 10.1002/ajhb.70124. PMID: 40908657.

40. Gama F, Mísař M, Navara L, T Popescu S, Hoffmann M. Automatic infant 2D pose estimation from videos: comparing seven deep neural network methods. Behav Res Methods. 2025;57(10):280. doi: 10.3758/s13428-025-02816-x. PMID: 40931295.

41. Lin R, Kebiri H, Gholipour A, Chen Y, Thiran JP, Karimi D, et al. Deep learning for fODF estimation in infant brains: model comparison, ground-truth impact, and domain shift mitigation. Hum Brain Mapp. 2025;46(14):e70367. doi: 10.1002/hbm.70367. PMID: 41054966; PMCID: PMC12501774.

42. Shafiq M, Kavitha J, Rinku DR, Senthil Kumar NK, Poon K, Jaffar AY, et al. Dual smart sensor data-based deep learning network for premature infant hypoglycemia detection. Sci Rep. 2025;15(1):23442. doi: 10.1038/s41598-025-03864-1. PMID: 40603339; PMCID: PMC12223281.

43. Bull C, Kisely S, Betts K, Hu Y. Understanding the development, performance, fairness, and transparency of machine learning models used in child protection prediction: a systematic review. Child Abuse Negl. 2025;169(Pt 1):107630. doi: 10.1016/j.chiabu.2025.107630. PMID: 40780075.

44. Fang Y, Xiong H, Huang J, Liu F, Shen Z, Cai X, et al. A deep learning framework for synthesizing longitudinal infant brain MRI during early development. Radiol Artif Intell. 2025:e240708. doi: 10.1148/ryai.240708. PMID: 40960398.

45. Hirst JN, Phung BR, Johnsson BT, He J, Coats B, Spear AD. Predicting fall parameters from infant skull fractures using machine learning. Biomech Model Mechanobiol. 2025;24(2):521-537. doi: 10.1007/s10237-024-01922-7. PMID: 39826035.

46. Miranda J, Pereira-Silva R, Guichard J, Meneses J, Carreira AN, Seixas D. Artificial intelligence outperforms physicians in general medical knowledge, except in the paediatrics domain: a cross-sectional study. Bioengineering (Basel). 2025;12(6):653. doi: 10.3390/bioengineering12060653. PMID: 40564469; PMCID: PMC12190018.

47. Mayourian J, O’Sullivan D, Bravo-Jaimes K, Madhavan M, Ghelani S, Geggel R, et al. Infant electrocardiogram-based deep learning predicts critical congenital heart disease. JACC Clin Electrophysiol. 2025. doi: 10.1016/j.jacep.2025.08.005. PMID: 40938228.

48. Campbell EA, Holl F, Marwah HK, Fraser HS, Craig SS. The impact of climate change on vulnerable populations in pediatrics: opportunities for AI, digital health, and beyond—a scoping review and selected case studies. Pediatr Res. 2025;98(4):1250-1256. doi: 10.1038/s41390-024-03719-x. PMID: 39881182; PMCID: PMC12549333.

49. Tu HF, Zierow L, Lennartsson M, Schweitzer S. A scoping review and quality assessment of machine learning techniques in identifying maternal risk factors during the peripartum phase for adverse child development. PLoS One. 2025;20(5):e0321268. doi: 10.1371/journal.pone.0321268. PMID: 40435283; PMCID: PMC12119027.

50. León GA, Morris AR, Sellery P, Saxbe DE. Using machine learning to identify predictors of maternal and infant hair cortisol concentration before and during the COVID-19 pandemic. Stress Health. 2025;41(3):e70051. doi: 10.1002/smi.70051. PMID: 40444444.

51. Kemmerich R, Wienke A, Frischen U, Mathes B. Evaluating machine- and deep learning approaches for artifact detection in infant EEG: classifier performance, certainty, and training size effects. Biomed Phys Eng Express. 2025;11(3). doi: 10.1088/2057-1976/add740. PMID: 40354792.

52. Karavite D, Cao L, Harris MC, Fidel A, Ungar L, Shaeffer G, et al. Refining a machine learning model for predicting infant sepsis: a multidisciplinary team supported by human-centered design methods. Appl Clin Inform. 2025;16(4):1332-1340. doi: 10.1055/a-2618-4470. PMID: 41072548; PMCID: PMC12513773.

53. Ham S, Choi G, Je BK, Oh S. Development of a deep-learning model for estimating newborn gestational age via lumbar vertebral segmentation on plain radiography. Korean J Radiol. 2025;26(9):867-876. doi: 10.3348/kjr.2025.0172. PMID: 40873377; PMCID: PMC12394821.

54. Hay RE, Zorko DJ, O’Hearn K, McQuaid C, Thibodeau GDP, Garcia Guerra G, et al. Child and family outcomes after PICU admission: creation of an open access literature database using a global team of PICU specialists integrated with machine learning. Pediatr Crit Care Med. 2025;26(8):e1017-e1023. doi: 10.1097/PCC.0000000000003780. PMID: 40558805; PMCID: PMC12323758.

55. Falissard B, Espi P, Rouquette A. The future of child and adolescent psychiatry in France (2026-2050): an AI-assisted qualitative action research study. Eur Child Adolesc Psychiatry. 2025;34(10):3285-3292. doi: 10.1007/s00787-025-02748-z. PMID: 40407888; PMCID: PMC12592303.

56. Choi Y, Park S, Lee H. Neonatal jaundice requiring phototherapy risk factors in a newborn nursery: machine learning approach. Children (Basel). 2025;12(8):1020. doi: 10.3390/children12081020. PMID: 40868472; PMCID: PMC12384310.

57. Tao Y, Shen Y, Tang Y, Shi H, Wei L, You H. Integrating transcriptomic profiling and machine learning: a clinically actionable prognostic model for infant acute myeloid leukemia. Hemasphere. 2025;9(11):e70251. doi: 10.1002/hem3.70251. PMID: 41189550; PMCID: PMC12581785.

58. Verhoeven R, Maeckelberghe ELM, Kooi EMW, Hulscher JBF. Prior knowledge shaped Dutch parents’ attitudes towards the use of artificial intelligence in paediatrics. Acta Paediatr. 2025. doi: 10.1111/apa.70358. PMID: 41212578.

59. Wang P, Li H, Yang X, Hu L, Chen Y, Cen Z, et al. Developing an explainable machine learning model to predict false-negative citrin deficiency cases in newborn screening. Orphanet J Rare Dis. 2025;20(1):507. doi: 10.1186/s13023-025-04045-z. PMID: 41063287; PMCID: PMC12505637.

60. Hu G, Gross O, Ziraldo E, Mulligan C, Soberman D, Dewan M, et al. Using artificial intelligence and computer vision to detect and monitor unhealthy child-directed food and beverage marketing: a data-driven study. EClinicalMedicine. 2025;89:103549. doi: 10.1016/j.eclinm.2025.103549. PMID: 41079021; PMCID: PMC12513061.

61. Zhu N, Chen T, Wang L, Cai F, Zhong X, Fang X, et al. Risk of IgE-mediated food allergy and its impact on child growth: a machine learning approach. World Allergy Organ J. 2025;18(8):101088. doi: 10.1016/j.waojou.2025.101088. PMID: 40697953; PMCID: PMC12280336.

62. Constenla-Villoslada S, Liu Y, McBride L, Ouma C, Mutanda N, Barrett CB. High-frequency monitoring enables machine learning-based forecasting of acute child malnutrition for early warning. Proc Natl Acad Sci U S A. 2025;122(23):e2416161122. doi: 10.1073/pnas.2416161122. PMID: 40478880; PMCID: PMC12167978.

63. Zakowicz PT, Brzezicki MA, Levidiotis C, Kim S, Wejkuć O, Wisniewska Z, et al. Detection of formal thought disorders in child and adolescent psychosis using machine learning and neuropsychometric data. Front Psychiatry. 2025;16:1550571. doi: 10.3389/fpsyt.2025.1550571. PMID: 40165865; PMCID: PMC11955656.

64. da Silva SMSD, Nogueira MS, Rizzato JMB, de Lima Silva S, Cortelli SC, Borges R, et al. Machine learning combined with infrared spectroscopy for detection of hypertension pregnancy: towards newborn and pregnant blood analysis. BMC Pregnancy Childbirth. 2025;25(1):358. doi: 10.1186/s12884-024-06941-x. PMID: 40148838; PMCID: PMC11948831.

65. Serin O, Yıldırım BF, Duman F, Ercorumlu K, Yavas R, Tasar MA, et al. Physician perspectives on artificial intelligence in healthcare: a cross-sectional study of child-focused care in a Turkish tertiary hospital. Int J Med Inform. 2025;203:106003. doi: 10.1016/j.ijmedinf.2025.106003. PMID: 40479777.

66. Abbasi H, Mollet SR, Williams SA, Battin MR, Besier TF, McMorland AJC. Deep-learning-based markerless tracking of distal anatomical landmarks in clinically recorded videos for assessing infant movement patterns associated with neurodevelopmental status. J R Soc N Z. 2023;55(2):223-240. doi: 10.1080/03036758.2023.2269095. PMID: 39677381; PMCID: PMC11639065.

67. AlSaad R, Alabdulla M, Tabassum A, Sheikh J, Thomas R. From mother to infant: predicting infant temperament using maternal mental health measures and tabular machine learning models. Front Public Health. 2025;13:1659987. doi: 10.3389/fpubh.2025.1659987. PMID: 41048269; PMCID: PMC12490419.

68. Banihashemi L, Zhang Y, Hipwell AE, Phillips ML. The promise of infant MRI in psychiatry: toward a framework for neural network measures in early emotional and behavioral risk identification and new intervention targets. Mol Psychiatry. 2025. doi: 10.1038/s41380-025-03197-5. PMID: 40885848.

69. Sarmet M, Kaczmarek E, Fauveau A, Steer K, Velasco AA, Smith A, et al. A machine learning pipeline for automated bolus segmentation and area measurement in swallowing videofluoroscopy images of an infant pig model. Dysphagia. 2025. doi: 10.1007/s00455-025-10829-z. PMID: 40293507; PMCID: PMC12354037.

70. Rahman A, Rahman MH. Explore the factors related to the death of offspring under age five and appraise the hazard of child mortality using machine learning techniques in Bangladesh. BMC Public Health. 2025;25(1):360. doi: 10.1186/s12889-025-21460-w. PMID: 39881228; PMCID: PMC11776272.

71. Islam F, Suhel GM, Afroz M, Apu MAI, Rana MJ, Hossain T, et al. Predicting child development across literacy, physical, learning, and social-emotional domains using supervised machine learning: a cross-sectional study based on MICS 2019 Bangladesh. Health Sci Rep. 2025;8(11):e71434. doi: 10.1002/hsr2.71434. PMID: 41200127; PMCID: PMC12586350.

72. Anderson EC, Srinivasan G, Howe CG, Zhang E, Jeon C, Paruchuri GSG, et al. Association of deep learning-derived histologic features of placental chorionic villi with maternal and infant characteristics in the New Hampshire birth cohort study. medRxiv [Preprint]. 2025. doi: 10.1101/2025.04.22.25325465. PMID: 40313259; PMCID: PMC12045406.

73. Anderson EC, Srinivasan G, Howe CG, Zhang E, Gupta Paruchuri GS, Zhang L, et al. Association of deep learning-derived histologic features of placental chorionic villi with maternal and infant characteristics in the New Hampshire birth cohort study. Placenta. 2025;170:87-96. doi: 10.1016/j.placenta.2025.07.084. PMID: 40902262.

74. Gülşen M, Aydın B, Gürer G, Yalçın SS. AI-based facial emotion analysis in infants during complimentary feeding: a descriptive study of maternal and infant influences. Nutrients. 2025;17(19):3182. doi: 10.3390/nu17193182. PMID: 41097259; PMCID: PMC12525990.

75. Viktorsson C, Lundman T, Astor K. A novel approach to exploring infant gaze patterns with AI-manipulated videos. Sci Rep. 2025;15(1):20097. doi: 10.1038/s41598-025-02727-z. PMID: 40541963; PMCID: PMC12181369.

76. Kocanaogullari D, Akcakaya M, Bendixen R, Soehner AM, Hartman AG. What goes on when the lights go off? Using machine learning techniques to characterize a child’s settling down period. Front Netw Physiol. 2025;5:1519407. doi: 10.3389/fnetp.2025.1519407. PMID: 40519639; PMCID: PMC12162617.

77. Barua S, Chakraborty R, Islam MM, Das S. A data-driven approach to child pedestrian crash analysis using dimension reduction, clustering, and explainable AI. Accid Anal Prev. 2025;222:108229. doi: 10.1016/j.aap.2025.108229. PMID: 40946544.

78. Mandelbaum M, Levy-Erez D, Soffer S, Klang E, Levy-Mendelovich S. Artificial intelligence: large language models in pediatrics. What do we know so far? Isr Med Assoc J. 2025;27(3):183-188. PMID: 40134173.

79. Nguyen Tien D, Thi Thu Bui H, Hoang Thi Ngoc T, Thi Pham T, Trung Nguyen D, Nguyen Thi Thu H, et al. A data-driven approach to assessing hepatitis B mother-to-child transmission risk prediction model: machine learning perspective. JMIR Form Res. 2025;9:e69838. doi: 10.2196/69838. PMID: 40409750; PMCID: PMC12144481.

80. García-Torres J, Meinich-Bache Ø, Johannessen A, Rettedal S, Kolstad V, Engan K. Advancing newborn care: precise time of birth detection using AI-driven thermal imaging with adaptive normalization. Comput Biol Med. 2025;187:109726. doi: 10.1016/j.compbiomed.2025.109726. PMID: 39884060.

81. Throm JK, Milling M, Triantafyllopoulos A, Kathan A, Dörsam AF, Löchner J, et al. Affective dimensions in maternal voice during child feeding in mothers with and without eating disorder history—findings from a machine learning analysis of speech data. Eur Eat Disord Rev. 2025. doi: 10.1002/erv.70038. PMID: 41044863.

82. Brintz BJ, Klarman MB, Cajusma Y, Exantus L, Beausejour JR, Flaherty KE, et al. Development of an AI-enabled predictive model to identify the ‘sick child’ at a pediatric telemedicine and medication delivery service in Haiti. medRxiv [Preprint]. 2025. doi: 10.1101/2025.06.27.25330413. PMID: 40630578; PMCID: PMC12236884.

83. Gökçearslan E, Tiktaş Çelik S, Akdeniz ET, Öztürk E. The touch of artificial intelligence in social work: analysis of social investigation reports in child welfare with ChatGPT. J Evid Based Soc Work (2019). 2025;22(4):607-625. doi: 10.1080/26408066.2025.2480396. PMID: 40098069.

84. Molu B. The effectiveness of AI-assisted information provision in premature infant care: an evaluation of ChatGPT in terms of accuracy, comprehensibility, and scope. J Perinat Neonatal Nurs. 2025. doi: 10.1097/JPN.0000000000000942. PMID: 40679926.

85. Kadambi P, Mahr TJ, Hustad KC, Berisha V. A tunable forced alignment system based on deep learning: applications to child speech. J Speech Lang Hear Res. 2025;68(7S):3583-3601. doi: 10.1044/2024_JSLHR-24-00347. PMID: 40163771; PMCID: PMC12337111.

86. Aldraihem A, Almaimani M, Bayoumi M, Abunadi A, AlSwaileh M, AlDubaikhi R, et al. Optimizing infant magnetic resonance imaging efficiency: deep learning-assisted feed-and-wrap technique versus general anesthesia using an infant magnetic resonance imaging stabilizer in infants under 4 months. Pediatr Radiol. 2025. doi: 10.1007/s00247-025-06437-6. PMID: 41193818.

87. Ma C, Wang J. Identification of glycolysis-related signature and molecular subtypes in child sepsis through machine learning and consensus clustering: implications for diagnosis and therapeutics. Mol Biotechnol. 2025. doi: 10.1007/s12033-025-01379-8. PMID: 39976858.

88. Budzyński A. Evaluating the impact of protective equipment on child injury severity in road traffic crashes: an explainable machine learning and counterfactual analysis approach. Int J Inj Contr Saf Promot. 2025. doi: 10.1080/17457300.2025.2578782. PMID: 41191554.

89. Li J, Liang T, Hou Y, Wang G, Qu Z. Development of the Screen for Child Anxiety Related Emotional Disorders (SCARED) optimal short scale for Chinese children and adolescents: based on FasterRisk machine learning modeling. BMC Public Health. 2025;25(1):2980. doi: 10.1186/s12889-025-24187-w. PMID: 40885999; PMCID: PMC12398135.

90. Ma E, Lai T, Lee Y, Zhang Y, Fu S. How does emotion regulation affect adolescents’ social adaptability? Building bridges for parent-child communication, empowered by AI education. Acta Psychol (Amst). 2025;259:105444. doi: 10.1016/j.actpsy.2025.105444. PMID: 40845780.

91. Talha M, Irshad NUN, Rehman UU, Gill OA, Imtiaz A. AI-generated child sexual abuse material: a threat to pediatric psychiatry datasets and diagnostic accuracy. Clin Child Psychol Psychiatry. 2025. doi: 10.1177/13591045251399699. PMID: 41264922.

92. Ye DH, Kim TW, Kim SM, Seo JW, Chang J, Lee JG, Ko EJ. Can AI-based video analysis help evaluate the performance of the items in the Bayley Scales of Infant Development? Children (Basel). 2025;12(3):276. doi: 10.3390/children12030276. PMID: 40150561; PMCID: PMC11941028.

93. Hussain Z, Borah MD. A neural network integrated mathematical model to analyze the impact of nutritional status on cognitive development of child. Comput Biol Med. 2025;185:109490. doi: 10.1016/j.compbiomed.2024.109490. PMID: 39657448.

94. Haginoya S, Sun Y, Santtila P. Retention of training effects in police officers following scalable AI simulations of child sexual abuse interviews. Behav Sci Law. 2025. doi: 10.1002/bsl.70019. PMID: 41078234.

95. Bertamini G, Perzolli S, Bentenuto A, Furlanello C, Chetouani M, Venuti P, et al. Temporal dynamics of early child-clinician prosodic synchrony predict one year autism intervention outcomes using AI driven affective computing. Sci Rep. 2025;15(1):31144. doi: 10.1038/s41598-025-17057-3. PMID: 40851033; PMCID: PMC12375780.

Méthode de recherche bibliographique

Une stratégie structurée de recherche bibliographique a été mise en œuvre sur PubMed afin d’identifier les publications pertinentes concernant l’intelligence artificielle appliquée au secteur pédiatrique. Les requêtes ont combiné des termes spécifiques à l’IA (« AI », « artificial intelligence », « deep learning », « machine learning », « NLP », « Neural Network », « LLM ») avec des mots-clés relatifs à la pédiatrie (« Pediatrics », « Paediatrics », « Pediatrician », « Child », « Newborn », « Infant »), en limitant la recherche au champ du titre des articles. Cette méthode vise à garantir l’exhaustivité et la pertinence de la sélection, en ne retenant que les études dont le sujet principal porte explicitement sur l’IA et la santé des enfants ou des nouveau-nés.

(“AI”[Title] OR “artificial intelligence”[Title] OR “deep learning”[Title] OR “machine learning”[Title] OR “NLP”[Title] OR “Neural Network”[Title] OR “LLM”[Title]) AND (“Pediatrics”[Title] OR “Paediatrics”[Title] OR “Pediatrician”[Title] OR “Child”[Title] OR “Newborn”[Title] OR “Infant”[Title])