L’objectif principal de notre projet est de comprendre comment les médecins modifient les doses de chimiothérapie en fonction des caractéristiques des patients et des effets indésirables. Nous utilisons deux sources d’information : les données observées recueillies dans les dossiers informatisés des patients, et l’expertise des médecins. Peu de méthodes permettent de combiner ces informations. L’originalité de notre projet est donc de proposer des stratégies pour prendre en compte ces deux sources de données. Pour prendre en compte l’expertise clinique, nous avons construit un questionnaire en collaboration avec les oncologues dans lequel ils quantifient l’importance de chaque événement indésirable sur la réduction de dose. Nous avons ensuite développé deux modèles qui combinent cette expertise et des observations. Le premier modèle est une adaptation d’une méthode de sélection de variables bayésienne pour laquelle l’information experte est introduite dans la distribution a priori. Le deuxième modèle est fondé sur la méthode de power prior et permet de combiner des données simulées à partir des paramètres experts et les observations. Nous avons réalisé des simulations pour comprendre la performance de ces modèles. Enfin, nous avons appliqué ces modèles à des données de patients traités par Irinotecan pour un cancer colorectal. Le premier modèle permet d’améliorer les performances prédictives sur des petits échantillons. Le deuxième modèle permet de gérer des échantillons de plus grande taille, et de sélectionner à la fois les variables importantes pour les experts et les variables utilisées en vie réelle.