There is increasing use of machine learning for the health financing functions (revenue raising, pooling and purchasing), yet evidence lacks for its effects on the universal health coverage (UHC) objectives. This paper provides a synopsis of the use cases of machine learning and their potential benefits and risks. The assessment reveals that the various use cases of machine learning for health financing have the potential to affect all the UHC intermediate objectives--the equitable distribution of resources (both positively and negatively); efficiency (primarily positively); and transparency (both positively and negatively). There are also both positive and negative effects on all three UHC final goals, that is, utilization of health services in line with need, financial protection and quality care. When the use of machine learning facilitates or simplifies health financing tasks that are counterproductive to UHC objectives, there are various risks--for instance risk selection, cost reductions at the expense of quality care, reduced financial protection or over-surveillance. Whether the effects of using machine learning are positive or negative depends on how and for which purpose the technology is applied. Therefore, specific health financing guidance and regulations, particularly for (voluntary) health insurance, are needed. To inform the development of specific health financing guidance and regulation, we propose several key policy and research questions. To gain a better understanding of how machine learning affects health financing for UHC objectives, more systematic and rigorous research should accompany the application of machine learning. Alors que l'apprentissage machine connait un usage croissant pour les fonctions de financement de la sante (collecte de revenus, mise en commun et achat), les preuves manquent quant a ses effets sur les objectifs de la couverture sanitaire universelle (CSU). Ce document presente une synthese des cas d'utilisation de l'apprentissage machine et de leurs avantages et risques potentiels. [(evaluation revele que les differents cas d'utilisation de l'apprentissage machine pour le financement de la sante sont susceptibles d'affecter tous les objectifs intermediaires de la CSU: la distribution equitable des ressources (a la fois positivement et negativement), l'efficacite (principalement positivement) et la transparence (a la fois positivement et negativement). Il existe egalement des effets positifs et negatifs sur les trois objectifs finaux de la CSU, a savoir l'utilisation des services de sante en fonction des besoins, la protection financiere et la qualite des soins. Lorsque l'utilisation de l'apprentissage machine facilite ou simplifie des taches de financement de la sante qui vont a lencontre des objectifs de la CSU, differents risques se font jour, comme la selection des risques, la reduction des couts au detriment de la qualite des soins, la reduction de la protection financiere ou la surveillance excessive. Les effets positifs ou negatifs de l'utilisation de l'apprentissage machine dependent de la maniere dont la technologie est appliquee et de l'objectif poursuivi. C'est pourquoi s'imposent des orientations et des reglementations specifiques en matiere de financement de la sante, en particulier pour l'assurance maladie (volontaire). Afin d'eclairer l'elaboration de telles orientations et reglementations, nous proposons plusieurs questions cles en matiere de politique et de recherche. Pour mieux comprendre la facon dont l'apprentissage machine affecte le financement de la sante dans le cadre des objectifs de la CSU, une recherche plus systematique et plus rigoureuse devrait accompagner la mise en oeuvre de l'apprentissage machine. Aunque el uso del aprendizaje automatico para las funciones de financiacion sanitaria (recaudacion de ingresos, mancomunacion y compra) es cada vez mayor, no hay evidencias de sus efectos sobre los objetivos de la cobertura sanitaria universal (CSU). Este documento ofrece una sinopsis de los casos de uso del aprendizaje automatico y sus posibles beneficios y riesgos. La evaluacion revela que los diversos casos de uso del aprendizaje automatico para la financiacion sanitaria tienen el potencial de afectar a todos los objetivos intermedios de la CSU: la distribucion equitativa de los recursos (tanto positiva como negativamente), la eficiencia (principalmente positiva) y la transparencia (tanto positiva como negativamente). Tambien hay efectos positivos y negativos en los tres objetivos finales de la CSU, es decir, la utilizacion de los servicios sanitarios en funcion de las necesidades, la proteccion financiera y la atencion de calidad. El uso del aprendizaje automatico para facilitar o simplificar tareas de financiacion sanitaria contraproducentes para los objetivos de la CSU plantea diversos riesgos, como la seleccion de riesgos, la reduccion de costes a expensas de la calidad de la atencion, la disminucion de la proteccion financiera o el exceso de vigilancia. El caracter positivo o negativo de los efectos del aprendizaje automatico depende de como y con que fin se aplique la tecnologia. Por lo tanto, se necesitan directrices y reglamentos especificos para la financiacion sanitaria, en particular para los seguros de salud (voluntarios). Proponemos varias preguntas clave en materia de politica e investigacion para contribuir a la elaboracion de directrices y reglamentos especificos sobre financiacion sanitaria. A fin de comprender mejor como afecta el aprendizaje automatico al logro de los objetivos de la CSU en el ambito de la financiacion sanitaria, la aplicacion del aprendizaje automatico deberia ir acompanada de una investigacion mas sistematica y rigurosa., Introduction Over the past 10 years, the number of publications on artificial intelligence and machine learning related to health financing tasks has markedly increased, (1) in line with the trend [...]