في عالم التكنولوجيا المتقدمة، تتصدر تكنولوجيا الذكاء الاصطناعي مجال الرعاية الصحية، مما يفتح أبوابًا جديدة لتحسين تشخيص الأمراض. تعد إشارات التخطيط الكهربائي للقلب (Electrocardiogram - ECG) من الأدوات الأساسية في تقييم صحة القلب، ولهذا السبب تم إجراء دراسة مبتكرة لمقارنة أداء النماذج المختلفة في تصنيف هذه الإشارات.

تسلط الدراسة الضوء على مقارنة ثلاث خوارزميات تقليدية للتعلم الآلي (Machine Learning - ML): شجرة القرار (Decision Tree Classifier)، والغابة العشوائية (Random Forest Classifier)، والانحدار اللوجستي (Logistic Regression)، مع ثلاثة نماذج للتعلم العميق (Deep Learning - DL): شبكة عصبية التفاف بسيطة (Simple Convolutional Neural Network - CNN)، وذاكرة طويلة وقصيرة المدى (Long Short-Term Memory - LSTM)، ونموذج CNN المعقد (ECG-Lens).

تم استخدام قاعدة بيانات PTB-XL، التي تحتوي على تسجيلات باثني عشر نقطة (12-lead) من مرضى عاديين وآخرين مصابين بحالات قلبية مختلف. لقد تم تدريب النماذج العميقة على الإشارات الخام (raw ECG signals)، مما أتاح لها استخراج الميزات المميزة بشكل تلقائي، حيث تم تطبيق تقنية Augmentation باستخدام التحويل الموجي المتحرك (Stationary Wavelet Transform - SWT) لتحسين أداء النماذج وزيادة تنوع عينة التدريب مع الحفاظ على الخصائص الأساسية لإشارات ECG.

لقد تم تقييم النماذج من خلال عدة مقاييس، بما في ذلك الدقة (accuracy)، والدقة الموجبة (precision)، والتذكر (recall)، ومعدل F1 (F1-score)، ومنحنى الـ ROC (ROC-AUC). حقق نموذج ECG-Lens أعلى مستوى من الأداء، حيث بلغت دقته 80% و ROC-AUC بنسبة 90%. تعكس هذه النتائج التفوق الملحوظ لتقنيات التعلم العميق، وخاصة النماذج المدمجة، مقارنة بالأساليب التقليدية في معالجة بيانات ECG الخام.

تُبرز هذه الدراسة أهمية استخدام تقنيات التعلم العميق في تطوير أدوات تشخيصية يمكن أن تُحدث فرقًا كبيرًا في رعاية المرضى وتحسين القدرة على تحديد النماذج المناسبة لتشخيص حالات القلب المختلفة.