Au vu de la prévalence significative des événements indésirables liés aux médicaments, ainsi que du risque croissant de résistance aux antibiotiques (causée principalement par les prescriptions inappropriées et une utilisation excessive), nous proposons une architecture générale pour des systèmes de recommandation adaptés à ce type de contexte et nous en développons un pour la prescription d’antibiotiques (PARS). Le type de contexte pour lequel l’approche est proposée est caractérisé par des décisions à haut risque et/ou à enjeux importants. Le système ne peut être basé sur l’apprentissage car une base de données de cas n’est pas disponible. Toutefois, des connaissances et des règles de bonnes pratiques existent et de ce fait il convient de développer un système capable de les modéliser et de les mettre en oeuvre. Le système est destiné à un utilisateur qui est le décideur qui doit adapter sa décision à chaque sujet dont les besoins et les caractéristiques sont spécifiques. Le modèle doit pouvoir s’adapter à différents types d’évolutions. L’approche est basée sur la combinaison des technologies web sémantique avec un modèle d’aide multicritère à la décision. Le système comporte deux étapes. Compte tenu de la spécificité du domaine d’application, l’approche évalue d’abord la pertinence d’une alternative (action) pour un sujet et un besoin donnés dans un contexte spécifique. Le premier niveau du modèle d’aide à la décision est de sélectionner selon le besoin l’ensemble des alternatives qui ont le potentiel d’être appropriées. Le deuxième niveau consiste à évaluer et à trier les alternatives dans des catégories en fonction de leur adéquation. Nous proposons une approche qui exploite les schémas de connaissances du web sémantiques (ontologies) et qui structure les règles de recommandation en une méthode de tri adaptée : MR-Sort avec Veto. Cette approche permet de lier et de mettre en correspondance des sources de connaissances hétérogènes exprimées par des experts. En collaboration avec le Centre hospitalier EpiCURA, nous avons appliqué cette approche dans le domaine médical et plus précisément, pour la prescription des antibiotiques. Les performances de l’approche ont été comparées aux recommandations données par EpiCURA. Les résultats ont montré que le système proposé est plus détaillé dans ses recommandations par comparaison aux guidelines en usage au Centre EpiCURA. En prenant éventuellement en compte des caractéristiques supplémentaires des sujets, le modèle est capable de s’adapter à des changements dans le contexte (nouveaux antibiotiques, effets secondaires, développement de germes résistants). / Motivated by the well documented worldwide spread of adverse drug events that are associated to antibiotics usage, as well as the increased danger of antibiotic resistance (caused mainly by inappropriate prescribing and overuse), we propose a general architecture for recommendation systems adapted for this kind of context and we develop a specific system for antibiotic prescription (PARS). The type of context that our architecture covers is characterised by highly risky decisions or decisions with high stakes. Such a system cannot be based on machine learning, since there are no available training data sets or case bases. However, rules of good practice and expert knowledge are available, therefore our system should be able to model and implement them. The proposed solution is intended to be used by a decision maker who must adapt his/her decision both to each subject’s specific needs and characteristics, as well as to different types of evolution. Our approach is based on the combination of semantic technologies with MCDA (Multi-Criteria Decision Aids). The decision support process involves two steps. First, by taking into account the specific application domain, the approach evaluates the relevance of each alternative (action) in order to satisfy the needs of a given subject. The first level of the decision support model aims to select all the alternatives that have the potential to fulfill the subject’s needs. Subsequently, the second level consists of evaluating and sorting the selected alternatives in categories according to their adequacy to the characteristics of the subject. We propose an approach that exploits the knowledge schemes of semantic web technologies (ontologies) and that structures the recommendation rules into a suitable sorting method: the MR-Sort with Veto. By doing so, our solution is able to link and match heterogeneous knowledge sources expressed by experts. In collaboration with the EpiCURA Hospital Center, we have applied this approach in the medical domain and more specifically in the prescription of antibiotics. The system’s recommendations were compared with those expressed in the guidelines currently in use at EpiCURA. The results showed us that PARS allows for a better consideration of the sensitivity of the patients to the adverse effects of antibiotics. Moreover, by taking into account the additional characteristics of the patients, the model is able to adapt to contextual changes (such as new antibiotics, side effects and development of resistant micro-organisms).