Este artículo aborda el sesgo, en particular el sesgo de edad, en los modelos de lenguaje a gran escala (LLM) y los LLM con visión aumentada (VLM) en informática médica pediátrica, diagnóstico y soporte de decisiones. Destacamos que los modelos existentes tienen un rendimiento inferior al esperado en tareas de preguntas y respuestas pediátricas, argumentando que este bajo rendimiento se debe a la limitación de recursos y representatividad de la investigación pediátrica. Para abordar esto, presentamos PediatricsMQA, un novedoso modelo de referencia multimodal de preguntas y respuestas pediátricas compuesto por 3417 preguntas textuales que abarcan siete etapas de desarrollo (fetal a adolescente) y 2067 preguntas visuales basadas en 634 imágenes pediátricas obtenidas de 67 modalidades de imagen. Los resultados de una evaluación de los modelos abiertos más recientes revelan una degradación significativa del rendimiento en los grupos de edad más jóvenes, lo que resalta la necesidad de enfoques sensibles a la edad para promover una IA justa en la atención médica pediátrica.
