La médecine personnalisée représente l'aspiration de cliniciens et de chercheurs à proposer au temps opportun, des traitements adaptés aux caractéristiques de chaque patient. Traditionnellement, l'élaboration de règles personnalisées de traitements s'appuie sur la connaissance clinique et biologique. Ces approches centrées sur la connaissance experte ont cependant des limites, en particulier en réanimation où les maladies sont complexes et hétérogènes. Dans ce travail de thèse, nous adoptons une démarche différente, centrée sur l'apprentissage statistique causal appliqué à des données cliniques, pour produire des règles de médecine personnalisée. Nous focalisons notre attention sur une application en réanimation : le recours à l'épuration extra-rénale dans l'insuffisance rénale aiguë. Nos contributions sont les suivantes : (i) Nous illustrons le principe des essais émulés pour identifier à partir de données observationelles des sous-groupes de patients bénéficiant de l'hémodialyse intermittente plutôt que de l'hémofiltration continue. (ii) Nous utilisons des données d'essais randomisés contrôlés pour estimer l'effet traitement individuel du re- cours à une stratégie d'initiation précoce versus tardive de l'épuration extra-rénale. (iii) Nous développons un cadre général pour l'évaluation de règles personnalisées de traitement à partir de donnés observationelles. (iv) Nous estimons et validions une stratégie dynamique optimale pour l'initiation de l'épuration extra-rénale dans les trois jours suivant l'insuffisance rénale aiguë. A la lumière de nos résultats, nous discutons la place des méthodes causales d'apprentissage statistique pour développer, à partir de données structurées courantes, des règles de médecine personnalisée pertinentes pour la pratique clinique.