Los conjuntos de datos utilizados en aplicaciones de IA para la salud humana requieren una selección cuidadosa. En el cuidado de la salud, los modelos de aprendizaje automático (ML) se ajustan para reducir errores, y nuestro estudio se centra en minimizar errores generando fragmentos de código para el aprendizaje sensible a costos utilizando conjuntos de datos de potabilidad del agua. La potabilidad del agua garantiza agua potable segura a través de varios métodos científicos, y nuestro enfoque utiliza algoritmos de ML para la predicción. Preprocesamos los datos con fragmentos de código generados por ChatGPT y nuestro objetivo es demostrar cómo los prompts de aprendizaje cero disparan en ChatGPT pueden producir fragmentos de código confiables que se adaptan al aprendizaje sensible a costos. Nuestro conjunto de datos se obtiene de Kaggle. Comparamos las métricas de rendimiento del modelo de regresores logísticos y clasificadores de aumento de gradiente sin ajuste adicional del código para verificar la precisión. Otras métricas de rendimiento de clasificadores se comparan con los resultados de los 5 principales autores de código en la tabla de clasificación de Kaggle. El aprendizaje sensible a costos es crucial en dominios como la atención médica para prevenir clasificaciones erróneas con consecuencias graves, como errores de tipo II en la evaluación de la potabilidad del agua.