La médecine personnalisée est actuellement en fort développement, de par son adoption dans le monde entier et principalement dans les pays développés. Les profils des patients constituent en effet le point principal sur lequel est fondé le but de cette médecine. Cette dernière vise à aider les médecins et les praticiens de la santé à prévoir des maladies, à prendre des décisions précises et à individualiser les traitements d’une manière adéquate. De plus, le profil d’un patient peut comporter une variété importante de données que ce soient des données génétiques, des biomarqueurs clés, l’historique de traitements, les facteurs environnementaux et les préférences comportementales, des images (IRM, Radio, …), etc. L’exploration de ces données par les outils de la fouille de données nécessite une suite d’opérations pour former et extraire les connaissances cachées parmi ces données. L’intérêt d’un tel processus d’automatisation de la décision médicale et d’extraction des connaissances est généralement confirmé par sa précision. Il ne faut néanmoins pas éluder les contraintes liées à la rapidité de calcul de celles-ci, pour permettre leur usage pratique.Ces travaux de thèse, intitulés « Exploration des données de la médecine personnalisée par des techniques de Data Mining », nous a conduit à la définition de deux activités importantes de la médecine personnalisée : la première porte sur la représentation de données et la seconde sur la prise de la décision médicale. Par conséquent, deux problèmes ont été identifiés. Le premier concerne la perte de données et d’information lors de la phase de représentation de l'information. Le deuxième concerne le choix de la série des traitements la plus appropriée à appliquer pour la prise de décision. La solution de la première problématique a été résolue par la proposition d’un modèle de représentation de données par région et par dispersion. Pour la deuxième problématique, nous avons proposé un modèle de prise de décision médicale réalisé reposant sur une classification de données issues de la médecine personnalisée. Ce modèle repose sur l’application de notre modèle de représentation de données et plusieurs suites de traitement et de classification. L’expérimentation de nos modèles et les résultats obtenus justifient l’utilité et la précision de nos approches. Ces solutions avantageuses, en particulier le modèle de représentation de données, peuvent être utilisées comme une plateforme exploitable pour d’autres tâches telles que l’analyse de données médicales.