En médecine de précision, l'identification de la population sensible et l'orientation des décisions thérapeutiques nécessitent d'étudier l'hétérogénéité de l'effet du traitement par l'entremise de réponses spécifiques aux sous-groupes et des modèles d'homogénéité. Cependant, il est difficile de comparer plusieurs interventions dans des sous-groupes. Pour améliorer la puissance et la précision, de nombreux modèles bayésiens partitionnent les sous-groupes pour l'emprunt d'informations, mais deux défis persistent : capturer l'incertitude dans le partitionnement et adapter la force de l'emprunt. Nous proposons un modèle hiérarchique bayésien flexible avec un mélange fini d'un nombre variable de composants. Pour chaque intervention, les sous-groupes sont répartis en grappes, et l'emprunt d'informations se fait au sein de chaque grappe. À l'aide d'un algorithme MCMC à saut réversible, le modèle explore les partitions tout en ajustant la force d'emprunt en fonction de la variabilité à l'intérieur des grappes. Nous introduisons également un modèle d'enrichissement adaptatif bayésien pour fusionner les sous-groupes équivalents, enrichir les sous-groupes réactifs et mettre fin aux bras futiles, ce qui améliore l'efficacité et la flexibilité.