Diseñar mecanismos de precios justos y sostenibles para el seguro de salud requiere una evaluación precisa del riesgo y la formulación de estrategias compatibles con incentivos entre las partes interesadas. Este estudio propone un marco híbrido que integra el aprendizaje automático con la teoría de juegos para determinar tasas de primas óptimas basadas en el riesgo. Utilizando un conjunto de datos completo de individuos asegurados, se emplea el algoritmo XGBoost para predecir los costos de reclamaciones médicas y calcular las primas correspondientes. Para mejorar la transparencia y la explicabilidad, se realiza un análisis SHAP en cuatro grupos basados en el riesgo, revelando los factores clave, incluyendo la utilización de servicios de salud y características demográficas. Las interacciones estratégicas entre el asegurador, el asegurado y el empleador se modelan como un juego repetido. Utilizando el Teorema del Pueblo, se exploran las condiciones bajo las cuales la cooperación a largo plazo se convierte en un equilibrio de Nash sostenible. Los resultados demuestran que XGBoost logra una alta precisión predictiva (R2 ~ 0.787) junto con un sólido rendimiento en medidas de error (RMSE ~ 1.64 x 107 IRR, MAE ~ 1.08 x 106 IRR), mientras que el análisis SHAP ofrece perspectivas interpretables sobre los predictores más influyentes. El análisis de teoría de juegos revela además que, bajo tasas de descuento apropiadas, es posible lograr una cooperación estable entre las partes interesadas. Estos hallazgos apoyan el desarrollo de sistemas de seguro de salud equitativos, transparentes y basados en datos que alineen efectivamente los incentivos de todas las partes interesadas.