Les méthodes bayésiennes ont gagné en popularité à toutes les étapes de la découverte, à savoir la conception, l'analyse et la prise de décision. Les procédures décisionnelles bayésiennes s'appuient sur des résumés a posteriori dont les distributions d'échantillonnage sont généralement estimées à l'aide de simulations de Monte-Carlo. Dans la conception d'études scientifiques, l'approche bayésienne intègre l'incertitude relative aux valeurs de conception au lieu de se baser sur une seule valeur du ou des paramètres du modèle. La prise en compte des incertitudes dans la ou les valeurs de conception est particulièrement importante lorsque le modèle comprend des paramètres de nuisance. Cette présentation se concentre sur une méthodologie qui utilise les propriétés des grands échantillons de la distribution a posteriori ainsi que les arbres de régression additifs bayésiens pour obtenir efficacement la taille d'échantillon optimale et les critères de décision dans les conceptions fixes et adaptatives. Nous présentons une procédure entièrement bayésienne qui intègre l'incertitude associée aux paramètres du modèle, y compris les paramètres de nuisance, au stade de la conception.