Les essais cliniques adaptatifs bayésiens nécessitent des décisions intermédiaires entre les traitements et les strates de patients. Afin d'évaluer les thérapies combinées issues de catégories cliniques distinctes, certaines études adoptent une conception factorielle qui traite les catégories comme des facteurs et les interventions comme des niveaux de facteurs. Nous proposons le modèle BHARP (Bayesian Hierarchical Adjustable Random Partition) afin d'automatiser l'emprunt adaptatif des données entre les cellules de traitement et de strate via des mises à jour de partition à saut réversible. Sur la base du BHARP, nous développons un cadre décisionnel généralisable avec activation/désactivation au sein des catégories et randomisation adaptative à la réponse entre les régimes. Nous mettons également en œuvre la méthode Monte Carlo séquentielle pour la mise à jour séquentielle entre analyses intermédiaires. Dans une étude de simulation imitant les essais factoriels sur plateforme du monde réel, nous comparons le modèle et la conception proposés avec des structures d'emprunt non adaptatives et évaluons la précision et l'exactitude de l'estimation ainsi que les caractéristiques opérationnelles de la décision.