El aumento rápido de los gastos médicos puede ser controlado por un sistema de pago de seguros médicos bien diseñado con la capacidad de asegurar la estabilidad y el desarrollo de los fondos de seguros médicos. En la actualidad, China se encuentra en la etapa de explorar la reforma del sistema de pago de seguros médicos. Una de las tareas significativas es establecer un modelo de reembolso apropiado para los gastos de tratamiento de enfermedades, para satisfacer las necesidades de los pacientes en cuanto a servicios médicos. En este documento, proponemos un método de árbol de decisiones de mezcla de casos que considera la homogeneidad dentro del mismo subgrupo de casos, así como la heterogeneidad entre diferentes subgrupos de casos. La mezcla óptima de casos se determina al maximizar la diferencia entre grupos y minimizar la diferencia dentro de los grupos. Para manejar la inestabilidad del método basado en árboles con una pequeña cantidad de datos, proponemos un método de árbol de decisiones de conjunto multi-modelo. Este método primero extrae y fusiona las reglas inherentes de los datos mediante el método de aprendizaje de conjunto basado en apilamiento, luego genera un nuevo conjunto de muestras agregando los datos originales con las muestras adicionales obtenidas al aplicar estas reglas, y finalmente entrena el árbol de decisiones de mezcla de casos con el conjunto de datos aumentado. El método propuesto garantiza la interpretabilidad de las reglas de agrupación y la estabilidad de la agrupación al mismo tiempo. Los resultados experimentales en datos del mundo real demuestran que nuestro método de mezcla de casos puede proporcionar estándares razonables de pago de seguros médicos y el pago de compensación de seguros médicos apropiado para diferentes grupos de pacientes.