1. المقدمة يُعد التشخيص المبكر لاضطرابات نبضات القلب باستخدام مخطط كهربائية القلب (ECG) أمراً أساسياً للوقاية من أمراض القلب الخطيرة. وقد نقل التعلم العميق (DL) التشخيص التلقائي من الطريقة التقليدية إلى أنظمة أوتوماتيكية بالكامل. 2. التقدم العلمي استخراج الميزات أوتوماتيكياً: تستطيع الشبكات الحديثة مثل (1D-CNN) و (Transformers) قراءة الإشارات الخام مباشرة واستخراج الأنماط دون الحاجة لتدخل بشري. دقة تشخيصية عالية: حققت النماذج نتائج ممتازة على قواعد البيانات القياسية مثل (MIT-BIH)، متفوقة على خوارزميات الذكاء الاصطناعي التقليدية. 3. العقبات والتحديات التعميم بين المرضى (Inter-Patient): تنخفض دقة النماذج بشكل ملحوظ عند تطبيقها على مرضى جديدين بسبب الاختلافات الفسيولوجية بين أجساد البشر. الضوضاء والتشويش: تتأثر إشارات القلب في الحياة اليومية بحركة الجسم، مما قد يقلل من موثوقية النماذج إذا لم يتم تصفيتها جيداً. غياب التفسير (Black-Box): صعوبة فهم كيفية اتخاذ النموذج للقرار تجعل الأطباء يترددون في الاعتماد الكامل عليه. 4. الطريق نحو الأجهزة القابلة للارتداء (Wearables) ضغط النماذج: لتشغيل هذه النماذج على الساعات الذكية والأجهزة المصغرة، يجب تقليل حجمها وسرعة معالجتها عبر تقنيات الضغط والتقليم (Quantization & Pruning). كفاءة الطاقة: تتطلب الأجهزة القابلة للارتداء خوارزميات خفيفة تعمل بالوقت الحقيقي (Real-time) واستهلاك منخفض للبطارية. 5. الخاتمة رغم الإمكانيات الكبيرة للتعلم العميق في المراقبة المستمرة للقلب، فإن حل مشكلات تعميم البيانات وتقليل حجم الخوارزميات يُعد شرطاً أساسياً لنجاح تطبيقها في الساعات والأجهزة الذكية.