<?xml version="1.0" encoding="UTF-8"?>
<xml>
 <records>
  <record>
   <ref-type name="Journal Article">17</ref-type>
   <contributors>
    <authors>
     <author>Shyndaliyev N. </author>
     <author>Orynbayeva A. </author>
     <author>Shadinova K. </author>
     <author>Barakova A. </author>
     <author>Nurmukhanbetova N. </author>
    </authors>
   </contributors>
   <titles>
    <title>Улучшение обработки данных с помощью машинного обучения в контексте медицинского образования</title>
   </titles>
   <keywords>
    <keyword>машинное обучение</keyword>
    <keyword>медицинское образование</keyword>
    <keyword>обработка данных</keyword>
    <keyword>аллергии</keyword>
    <keyword>контролируемое обучение</keyword>
   </keywords>
   <dates>
    <year>2025</year>
    <pub-dates>
     <date>2025-07-21</date>
    </pub-dates>
   </dates>
   <doi>10.15829/1728-8800-2025-4446</doi>
   <journal>Кардиоваскулярная терапия и профилактика</journal>
   <abstract>Экспоненциальный рост объема биомедицинских данных в сочетании с развитием методов машинного обучения (МО) создали новые возможности для более точной диагностики, улучшенного планирования лечения и ведения пациентов. Однако успешное внедрение МО в клиническую практику зависит от уровня понимания и компетентности медицинских специалистов в этих технологиях. В данном исследовании рассматривается эффективность интеграции методов МО в учебные программы Медицинского Университета Астана и Казахского Национального Медицинского Университета им. С. Д. Асфендиярова. В качестве объекта исследования были выбраны детские аллергические заболевания, такие как астма, ринит и кожные патологии. Для анализа клинических и образовательных данных был применен метод контролируемого машинного обучения — линейная регрессия. Результаты показали, что экспериментальная группа студентов, прошедшая обучение с элементами МО, продемонстрировала значительное улучшение аналитических навыков и точности обработки данных по сравнению с контрольной группой. Разработанная модель МО достигла коэффициента детерминации (R2) в 0,85 при низких значениях ошибок прогнозирования (MAE=0,45, MSE=0,30, RMSE=0,55). Статистические тесты подтвердили гипотезу о том, что структурированное МО способствует повышению компетенций студентов-­медиков, что позволяет будущим медицинским работникам более эффективно использовать подходы, основанные на анализе данных, для улучшения качества лечения пациентов. Это исследование вносит свой вклад в растущее количество научных работ, посвящённых интеграции МО в медицинское образование, и подчёркивает необходимость дальнейших исследований в области продвинутых алгоритмов МО и оценки их долгосрочных клинических эффектов.</abstract>
   <urls>
    <web-urls>
     <url>https://www.cardiojournal.online/publication/13589</url>
    </web-urls>
    <pdf-urls>
     <url>https://www.cardiojournal.online/files/14091</url>
    </pdf-urls>
   </urls>
  </record>
 </records>
</xml>
