Cet article aborde les biais, notamment liés à l'âge, dans les modèles de langage à grande échelle (MLL) et les MLL à vision augmentée (MLV) utilisés en informatique médicale pédiatrique, pour le diagnostic et l'aide à la décision. Nous soulignons que les modèles existants sont moins performants dans les tâches de questions-réponses pédiatriques, arguant que cette sous-performance découle des ressources et de la représentativité limitées de la recherche pédiatrique. Pour y remédier, nous présentons PediatricsMQA, un nouveau référentiel multimodal de questions-réponses pédiatriques composé de 3 417 questions textuelles couvrant sept stades de développement (du fœtus à l'adolescence) et de 2 067 questions visuelles basées sur 634 images pédiatriques obtenues à partir de 67 modalités d'imagerie. Les résultats d'une évaluation des derniers modèles ouverts révèlent une dégradation significative des performances chez les plus jeunes, soulignant la nécessité d'approches tenant compte de l'âge pour soutenir une IA équitable dans les soins pédiatriques.
