تُعدّ التخطيط الكهربائي للقلب (Electrocardiography) إحدى أكثر الطرق استخدامًا لتقييم الأمراض القلبية الوعائية. ومع ذلك، أظهرت العقدة الماضية أن الشبكات العصبية التلافيفية العميقة (Deep Convolutional Neural Networks - CNN) قادرة على استخراج معلومات من تخطيط القلب الكهربائي (ECG) تتجاوز التشخيصات التقليدية، مثل التنبؤ بعمر الشخص. في هذه الدراسة، تم تدريب نموذجين مختلفين من الشبكات العصبية التلافيفية ذات البُعد الواحد (1-dimensional CNN) على مجموعات بيانات مفتوحة لتنبؤ العمر بناءً على تخطيط القلب الكهربائي للشخص.تم تدريب النماذج والتحقق منها باستخدام سجلات تخطيط قلب كهربائي ذات 12 صدفة وطول 10 ثوانٍ، تم إعادة عينتها بتردد 100 هرتز. استُخدمت 59355 سجلًا لتدريب النموذج والتحقق المتقاطع، بينما تم استخدام 21748 سجلًا من مجموعة منفصلة كمجموعة اختبار. قورنت الأداءات المحققة في التحقق المتقاطع مع الأداء على مجموعة الاختبار. بالإضافة إلى ذلك، استُخدمت التصنيفات الطبية المُعدّة من قبل أطباء القلب لتصنيف المرضى في مجموعة الاختبار، بهدف تقييم ما إذا كانت بعض الحالات القلبية تؤدي إلى فروق أكبر بين العمر المُتنبأ به بواسطة الشبكة العصبية وعمر الشخص الحقيقي.أظهر أفضل نموذج CNN، باستخدام بنية Inception Time، انخفاضًا ملحوظًا في الأداء من حيث الخطأ المطلق المتوسط (MAE)، من التحقق المتقاطع على مجموعة التدريب (7.90 ± 0.04 سنة) إلى الأداء على مجموعة الاختبار (8.3 سنة). أما الخطأ التربيعي المتوسط (MSE)، فقد أظهر تحسنًا من مجموعة التدريب (117.5 ± 2.7 سنة²) إلى مجموعة الاختبار (111 سنة²). كما لاحظنا أن الحالة القلبية التي أظهرت أكبر انحراف بين العمر المُتنبأ به والعمري البيولوجي، من حيث MAE، كانت لدى المرضى الذين يعانون من نبض قلبي مُحفّز (Pacing Rhythm) (10.5 سنة)، في حين كان لدى المرضى الذين يعانون من تطول فترة QT (Prolonged QT-interval) أقل انحراف (7.4 سنة) من حيث MAE.تساهم هذه الدراسة في المعرفة الحالية حول تنبؤ العمر باستخدام الشبكات العصبية العميقة على تخطيطات القلب الكهربائي، من خلال إظهار كيفية أداء النموذج المدرب على مجموعة اختبار مستقلة عن المجموعة المستخدمة في التدريب.