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.