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

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

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

通过健康的口腔自我护理行为（OSCB）预防口腔疾病是可能的，但实践上并不一致。我们开发了 Oralytics，这是一个在线强化学习（RL）算法，用于优化提供个性化干预提示以改善 OSCB。在本文中，我们提供了使用先前数据、领域专业知识和模拟测试床中的实验所作的算法设计决策的完整概述。最终确定的 RL 算法已经部署在 2023 年秋到 2024 年夏进行的 Oralytics 临床试验中。

Jun, 2024

采用半监督学习框架，结合大型语言模型和自编码器，通过对口腔放射病例报告进行注释和无标签数据利用，成功实现了牙科全景放射病例的自动化分类，结果表明该方法在鉴定牙齿相关病症上具有与初级专家相当的准确性。

Jun, 2024

通过全景 X 光影像来检测牙科疾病是牙医的标准程序，我们开发了 YOLOrtho，一个用于齿数目和牙科疾病检测的统一框架，通过牙齿位置关系、卷积层替换、模型架构调整、上采样和后处理策略等方法来提高检测性能。

Aug, 2023

在这项研究中，使用 13 种不同的机器学习、深度学习和大型语言模型来基于放射科医生的报告确定口腔健康问题的严重程度。结果显示，Few-shot 学习与 SBERT 和多层感知器模型在各种实验中都表现优于其他模型，取得了 94.1％的最佳准确率。因此，该模型显示出作为可靠工具评估口腔疾病严重程度的潜力，使患者能够接受更有效的治疗，并帮助医疗保健专业人员做出关于资源配置和高风险患者管理的明智决策。

Feb, 2024

本研究使用三种回归模型（线性回归，梯度提升，支持向量机）来预测医疗保险成本，并以 RMSE、R Square 和 K-Fold 交叉验证为评估指标。结果表明，在这些模型中，梯度提升的 R Square 最高 0.892，RMSE 最低 1336.594。研究总结认为，梯度提升模型在这三种模型中表现最好。同时，探索性数据分析显示，最高的费用是由于吸烟这一特征引起的。

Apr, 2023

该论文提出了一种解决 MICCAI 2023 全景 X 射线中牙齿枚举和诊断问题的方法，通过多阶段框架检测和分类异常牙齿，包括牙齿实例检测、健康实例过滤和异常实例分类等步骤，各模型的性能分别为 0.49 的 AP 分数、0.71 的 F1 分数和 0.76 的 F1 分数。

Aug, 2023

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