Cette étude présente une méthode bayésienne de sélection de variables (BVS) pour la régression logistique, incorporant à la fois un a priori fixe, qui suppose des probabilités a priori égales pour les paramètres du modèle, et un a priori flexible, qui permet des probabilités inégales. La méthode a été appliquée à deux ensembles de données : un sur la maladie coronarienne (MC) et un sur le cancer du sein (CS). Pour la MC, la méthode proposée a sélectionné la pente du segment ST, la glycémie à jeun et le sous-décalage du segment ST induit par l'exercice comme prédicteurs significatifs, chacun avec une probabilité d'inclusion a posteriori (PIP) de 0,99. La méthode proposée a détecté plus de prédicteurs significatifs que sa concurrente. Pour le CS, notre méthode a identifié 20 gènes significatifs, SERPINA1 apparaissant comme le plus important, avec une PIP de 0,99. En outre, notre méthode a fourni une meilleure précision dans les estimations en produisant des intervalles crédibles plus étroits pour des gènes tels que SUSD3 et RGS4, entre autres. Ces résultats fournissent des informations précieuses sur la maladie coronarienne et le cancer de la prostate, ce qui pourrait permettre d'améliorer les stratégies de traitement personnalisées.