保险公司在商业医疗保险决策中面临的主要问题是投保人的患病具有不确定性,因此提高其风险决策水平的一个关键因素在于:如何科学而准确的预测投保人患病的概率,以减少不确定性带来的损失。考虑到基于样本量固定的历史数据得到的静态预测模型不能利用新数据的产生来修正模型,为此本文尝试利用机器学习耦合蓄水池抽样建立动态预测模型,辅助保险公司开展智能风险决策。具体做了如下工作:第一,构建基于蓄水池抽样的动态预测模型。将原始数据按照时间排序,并将其划分为3部分（历史数据集M1、模拟新产生的数据集M2、测试集M3）,利用蓄水池抽样实现从M1与M2中获取样本量固定的动态训练数据集,建立随数据集变化而不断更新的动态预测模型,以提高模型对投保人患病概率预测的准确性。第二,构建基于动态预测的商业医疗保险动态智能风险决策模型。首先,搭建智能医保动态风险决策的框架;然后,为提高风险决策的准确率,提出了期望收益准则视角的商业医疗保险风险决策模型;最后,为降低误分类损失,构建期望损失准则的商业医疗保险风险决策模型。第三,以天池医疗大赛——人工智能辅助糖尿病风险预测相关数据（样本量为5642条,每条数据包含41维特征变量和1维标签变量）为例,对文中所提出的动态预测与风险决策方法进行检验。对样本量相同的训练集以及在同一测试集上进行对比实验,结果表明:动态预测的MSE和MAE均优于静态预测模型,动态智能风险决策可以充分利用大数据提高风险决策水平。