El costo de la atención médica es un tema de preocupación en este momento. Aunque se han propuesto muchos algoritmos complejos de aprendizaje automático para analizar el costo de la atención médica y abordar las deficiencias de la regresión lineal y la dependencia de los análisis de expertos, estos algoritmos no tienen en cuenta si cada variable característica contenida en los datos de atención médica tiene un efecto positivo en predecir el costo de la atención médica. Este documento utiliza algoritmos de aprendizaje automático híbridos para predecir el costo de la atención médica. Primero, se utilizan algoritmos de aprendizaje de estructura de red (un algoritmo basado en puntajes, un algoritmo basado en restricciones y un algoritmo híbrido) para una Red Bayesiana Gaussiana Condicional (CGBN) para aprender las variables características aisladas en los datos de atención médica sin cambiar las propiedades de los datos (es decir, discretos o continuos). Luego, las variables características aisladas se eliminan de los datos originales y se utilizan los datos restantes para entrenar algoritmos de regresión. Se utilizan dos conjuntos de datos de atención médica públicos para probar el rendimiento del modelo propuesto de algoritmo de aprendizaje automático híbrido. Los experimentos muestran que, en comparación con los populares algoritmos de aprendizaje automático únicos (Memoria a Corto y Largo Plazo, Bosque Aleatorio, etc.), el esquema propuesto puede obtener una precisión de predicción similar o mayor con una cantidad reducida de datos.