为了改进对低补偿群体的风险调整公式，我们提出了一种新的公平回归方法，直接将公平考虑因素纳入目标函数，并建议使用一套度量标准来更全面地评价风险调整公式。数据应用和模拟研究表明，这些新的公平回归方法在大幅提高小组公平性（例如 98%）的同时只有少量的整体拟合度降低（例如 4%）。

Jan, 2019

本研究提出了一种新的风险调整方法，使用语义嵌入来表示患者的医疗历史，比传统的基于线性回归的风险调整方法更加高效且效果更好，尤其是在前瞻性风险评估任务中。

Jul, 2019

应用机器学习计算健康保险产品的精准合理价格的研究，分析可解释机器学习模型如何超越精算模型的预测准确性，同时保持可解释性。

Sep, 2020

本文研究了在医疗保健领域中应用预测建模以提高保险公司生产力和效率的潜力，通过使用三种基于回归的集成机器学习模型（Extreme Gradient Boosting、梯度提升机和随机森林）对医疗保险费用进行预测，并采用可解释的人工智能方法来发现和解释影响医疗保险费用的关键因素。研究结果表明这些模型在预测上取得了可观的成果，其中 XGBoost 模型表现最佳，但计算资源消耗更高，而 RF 模型则在预测误差较小的同时消耗较少的计算资源。同时比较了两种可解释人工智能方法在识别影响保险费用的关键特征上的结果，发现 ICE 图能更详细地展示变量之间的相互作用，而 SHAP 分析则更具概览性。希望本研究的贡献能够帮助决策者、保险公司和潜在医疗保险购买者在选择适合其需求的政策时作出正确决策。

Nov, 2023

通过混合隐马尔可夫模型对长期疾病患者轨迹进行亚群分组，从而实现个性化医疗，该模型在研究中表现出较常见基准的优势

Apr, 2024

该研究发展了一个连续时间概率模型以用于监测危重患者的生理数据，并对这些患者进行风险预测，该模型的预测结果优于目前的医疗风险评分和其他基线机器学习算法。

May, 2017

本研究旨在提高在处理大数据集时的贝叶斯后验 MCMC 采样的效率，通过引入基于连续假设检验的近似 MH 规则，根据部分数据即可高置信度地接受或拒绝样本，从而减少计算代价，同时控制引入的渐近偏差使方差下降得以更快。

Apr, 2013

利用机器学习技术基于患者诊断和人口统计学数据构建预测模型，并使用决策树方法进行预测，其结果优于先前研究的类似问题报告的结果，因此有望降低医疗保健成本。

Apr, 2023

通过整合主成分分析和 K 均值聚类，本文初步发现了在目前风险建模框架中对特定特征进行辨识以及这些特征对其潜在影响的研究成果，并评估了按簇训练预测模型的性能。研究结果表明可能需要为特定年龄段的儿童开发单独的模型，以提高模型准确性。然而，还需要更多证据来得出明确的结论，需要进行进一步的调查。

Aug, 2023

提出一个两阶段的框架，通过捕捉标签相关性来提高自动 ICD 编码，利用标签集分布估计器和基准预测器来生成每个标签集候选项的概率，并重排序，以解决测量标签相关性的问题。

Jun, 2021