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

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

该研究针对保险定价中存在的公平性和歧视问题，在充分考虑多种定价因素的基础上，提出了一种全新的定价模型方法，可以有效减少多种关键定价因素带来的不公平性问题，并优化预测准确度。

Feb, 2022

该研究论文概述了理解机器学习模型的需求，解释了分类理解方法并提供了在不同医疗保健领域实际应用机器学习可解释性的例子，强调开发算法解决高风险医疗问题的重要性。

Feb, 2020

利用机器学习算法预测医疗保险计划是否覆盖成人常规牙科服务，以提供个人和家庭根据收入和费用选择最适合的保险计划的临床策略。

Oct, 2023

本文探讨了保险可以作为机器学习系统的社会情境类比，从而让机器学习学者借鉴丰富、跨学科的保险文献，并探讨了保险中的不确定性、公平性和责任与机器学习中的公平性之间的联系，进而挑战了公平性的校准化概念，并提出了在机器学习文献中被忽视的责任、履行能力和个体与整体之间的紧张主题。

Jun, 2023

本论文提出一种利用 Markov Chain Monte Carlo 方法将诊断代码分组的新方法，以改善风险调整，并通过来自哥伦比亚卫生保健系统的 50 万名被保险人的面板数据对我们的方法的表现进行测试，结果表明我们的方法胜过常见的替代方法，并表明其有潜力改善患有慢性病的人们的医疗保健。

Nov, 2018

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

探讨了在医疗保健领域中机器学习的应用。通过在 MIMIC-III 临床笔记中预测死亡率的任务中，我们展示了各种可完全解释的方法和模型不可知后续属性的可视化技术，同时提供了评估解释质量的通用方法。

Jul, 2021

采用基于内容的方法和 KNN 与余弦相似度算法，匹配用户意向和偏好筛选，推荐基于用户位置和价格的最相似的健康管理机构，提高尼日利亚医保参与率。

May, 2023