Dans certaines études, les chercheurs choisissent au hasard des individus à rééchantillonner, mais certains mécanismes d'échantillonnage non probabilistes permettent d'améliorer les estimations d'intérêt. Un exemple est le « leveraging », qui décrit la sélection d'individus présentant des mesures initiales extrêmes. Proposée par Browne et al. (2009), cette procédure a amélioré l'échantillonnage aléatoire pour l'évaluation des systèmes de mesure. Cette méthode a également des applications potentielles en milieu clinique, telles que l'estimation des régimes de traitement dynamiques (DTR) - séquences de règles décisionnelles utilisées pour optimiser les décisions thérapeutiques dans le contexte de la médecine de précision. Les méthodes d'estimation des DTR basées sur la régression sont relativement simples à appliquer et fournissent un cadre dans lequel les chercheurs peuvent appliquer différentes méthodes de rééchantillonnage. Nous comparons l'échantillonnage aléatoire et le « leveraging » dans l'estimation d'un seuil de traitement pour un DTR à un seul stade, et étudions les propriétés de l'estimateur du seuil par une simulation.