Introduction : L'utilisation de données cliniques pour modéliser les décisions médicales séquentielles de modification de dose dans les chimiothérapies soulève des défis méthodologiques. Les médecins ont souvent accès à de nombreuses variables qu’ils peuvent utiliser pour prendre leurs décisions. Ils priorisent généralement certaines covariables par rapport à d'autres, suivant les caractéristiques, l'histoire du patient, et leur propre expérience. Dans le contexte des échantillons de petite taille, les méthodes de sélection de variables bayésiennes peuvent aider à déterminer quelles variables sont réellement utilisées dans la pratique quotidienne et permettent d'incorporer l'expertise des cliniciens dans les distributions a priori. Parmi celles-ci, la méthode de sélection stochastique de variables (SSVS) identifie et estime les distributions a posteriori en supposant que la distribution a priori de chaque coefficient de régression est un mélange de deux distributions normales centrées sur zéro mais de variances très différentes [1]. Motivés par une application sur les adaptations de doses d'irinotecan dans le cadre du cancer colorectal métastatique, nous proposons une modification de la méthode SSVS, que nous appelons WBS, pour intégrer l'expertise clinique dans les distributions a priori. Méthodes : Pour modéliser la relation entre la dose d'Irinotecan à chaque cycle, les caractéristiques du patient (âge, perte de poids, ...) et les toxicités, dans le cadre du cancer métastatique colorectal, nous supposons un modèle linéaire à effets mixtes. Des médecins experts ont spécifié la pertinence de chaque variable dans les réductions de dose sur une échelle allant de 0 à 100. Ces poids sont ensuite utilisés pour construire des distributions a priori pour les paramètres du modèle qui régissent l'inclusion / l'exclusion des covariables. Nous avons analysé les performances du modèle WBS par rapport à celles du Lasso et du modèle SSVS grâce à une étude de simulation. Nous avons simulé un échantillon de patients traités pour un cancer métastatique colorectal par Irinotecan, suivant les distributions de nos données. Quatre scénarios ont été simulés : deux impliquant l'expertise du clinicien 1 et deux impliquant celle du clinicien 2. Nous avons également appliqué la méthode WBS à notre situation réelle. Résultats : Comparée à la méthode SSVS habituelle, la méthode WBS a montré de meilleures performances quel que soit le critère de performance considéré (RMSE, log predictive density) et a produit les taux les plus faibles de faux positifs et de faux négatifs. La performance de la méthode WBS dépend non seulement des poids des variables, mais aussi de la somme des poids qui doit être soigneusement calibrée pour sélectionner le nombre approprié de covariables. Le Lasso a montré une performance médiocre par rapport aux méthodes WBS et SSVS, confirmant une meilleure performance de l'approche bayésienne par rapport à l’approche fréquentiste lorsqu'il s'agit de petits échantillons. L'application de la méthode WBS à notre situation réelle a mis en évidence que les poids de pertinence clinique obtenus avec les médecins étaient loin des effets estimés sur les données réelles. Conclusion : Nous proposons une méthode de sélection de variables bayésienne très performante pour intégrer l'expertise dans des modèles sur des petits échantillons. Références [1] George E.I., McCulloch R.E. Variable selection via Gibbs sampling. J. Am.Statist. Assoc. 1993;88:881–889.