Les essais d'enrichissement adaptatifs bayésiens visent à identifier et à recruter de manière préférentielle les patients les plus susceptibles d'en bénéficier, mais les données historiques ne sont souvent disponibles que sous forme de mesures sommaires publiées. Nous présentons une puissance a priori normalisée ancrée dans un résumé qui emprunte des effets agrégés, tels que l'effet moyen du traitement, en les reliant aux paramètres du modèle actuel par le biais d'une fonction spécifiée par l'utilisateur. Une pondération d'emprunt basée sur les données permet une actualisation dynamique en cas de conflit entre les données a priori tout en préservant une distribution a posteriori appropriée. Intégrée dans un cadre d'enrichissement intermédiaire, cette approche améliore la puissance et réduit la taille d'échantillon esperée lorsque les données historiques et actuelles sont alignées. Un exemple d'apnée obstructive du sommeil illustre l'emprunt multiétudes pour améliorer l'identification des sous-groupes.