تلعب التفسيرات الحاسوبية لرسم القلب الكهربائي (ECG) دورًا حاسمًا في سير العمل السريري لرسم القلب. وتوفر البيانات الرقمية لرسم القلب الكهربائي الواسعة الانتشار، إلى جانب منهجية التعلم العميق القائمة على الخوارزميات، فرصة لتحسين دقة وقابلية التوسع في تحليل رسم القلب التلقائي بشكل كبير. ومع ذلك، لم يتم حتى الآن الإبلاغ عن تقييم شامل لنهج التعلم العميق من الطرف إلى الطرف في تحليل رسم القلب عبر مجموعة واسعة من الفئات التشخيصية. في هذه الدراسة، نطور شبكة عصبية عميقة (DNN) لتصنيف 12 فئة من الإيقاعات باستخدام 91,232 تسجيلًا لرسم قلب أحادي القطب من 53,549 مريضًا استخدموا جهاز مراقبة قلب أحادي القطب متنقلًا. عند التحقق من الأداء باستخدام مجموعة اختبار مستقلة تم تسميتها من قبل لجنة اتفاقية من أطباء قلب مُعتمدَين، حقق النموذج الشبكي العصبي المتوسط منطقة تحت منحنى استجابة المُستقبل التشخيصي (ROC) البالغة 0.97. كما أن متوسط معامل F1، وهو المتوسط التوافقي لقيمة التنبؤ الإيجابي والحساسية، للنموذج الشبكي العصبي (0.837) تفوق متوسط قيمة معامل F1 لأطباء القلب (0.780). وبثبات التخصصية على مستوى متوسط التخصصية التي حققها أطباء القلب، تفوق حساسية النموذج الشبكي العصبي حساسية أطباء القلب المتوسطة في جميع فئات الإيقاعات. تُظهر هذه النتائج أن النهج التلقائي القائم على التعلم العميق من الطرف إلى الطرف يمكنه تصنيف طيف واسع من الاضطرابات النظمية المختلفة من خلال رسم قلب أحادي القطب بمستوى أداء تشخيصي عالٍ يشبه إلى حد كبير أداء أطباء القلب. وإذا تم التأكيد على هذه النتائج في البيئات السريرية، فقد يُسهم هذا النهج في تقليل معدلات التفسيرات الخاطئة لرسم القلب الآلي، وتحسين كفاءة تفسير أطباء القلب الخبراء من خلال تصنيف دقيق أو ترتيب أولويات الحالات الأكثر إلحاحًا.مجموعة البيانات متاحة من: https://irhythm.github.io/cardiol_test_set/