随着我国全民医疗保险的铺开,医疗费用增速加快。一方面医疗服务需求的释放以及老龄化进程的加速,医疗费用增长加速,另一方面我国经济进入新常态,经济增长速度下滑,财政收入增速难与医疗费用增长同步,因此,未来医疗保险基金支付压力将日渐增大,有必要对医疗费用进行预测以提高基金使用效率。目前按诊断分组(Diagnosis Related Groups,DRGs)在国际上已经获得广泛认可和有效的应用,为此,我国正进行应用DRGs的试点,借鉴了国外DRGs的经验研制出了中国版的DRGs,比较有代表性的是北京版本的DRGs(Bei Jing Diagnosis Related Groups,BJ-DRGs),而分类回归树(Classification and Regression Trees,CART)由于其对训练集容量要求较少、分类速度快和预测准确度高等特点也适合用于研究医疗费用预测。基于此,本文分别运用BJ-DRGs和分类回归树算法对医疗费用进行预测分析,以期为我国应对老龄化及下一步的医疗保险支付改革提供一定的参考。文章主要工作如下:首先,构造了用于医疗费用预测的数据集。当前国内尚未发现公开的可用于医疗费用预测的数据集,本文采用深圳两家医院的病案首页数据作为数据源,对于医疗费用预测数据集的构造,为使数据符合数据分析和数据挖掘的要求,文章应用数据分析和数据挖掘相关知识对数据进行必要的数据预处理,包括数据清理、数据集成、数据规约和数据变换,尽量保证研究流程规范,使研究结果符合科学性,并对当前医改具有一定参考价值。其次,基于医疗费用预测数据集,在深入研究分类回归树和BJ-DRGs分组的理论基础上,采用Python工具,分别运用BJ-DRGs分组原理和分类回归树算法构建医疗费用预测模型,并分别计算模型的各项参数。最后,基于分类回归模型和BJ-DRGs模型,用K折交叉验证方法,对两种医疗费用预测模型分组和预测的合理性和准确性进行测试,计算预测评价指标,以充分展示两个预测模型的差异,对比本次试验中两种模型的分组和费用预测效果,展开两种方法的效果比较。