Dans de nombreux problèmes de prédiction, tel que le diagnostic médical, les décisions séquentielles sont cruciales pour apporter une réponse individualisée. A-t-on assez d’information pour effectuer la prédiction ou doit-on repousser la décision au profit d’une exploration plus poussée? De plus, dans les applications concrètes le budget est souvent limité que ce soit en terme de temps, d’argent, d’effets secondaires. Dans ce récent article, nous développons un cadre basé sur les processus de décision Markoviens pour apprendre un système hétérogène de cascades sensibles au coût. Cela nous permet de déterminer les propriétés théoriques des méthodes optimales répondant à cette classe de problèmes et, in fine, de proposer des modèles applicables. Ces solutions nouvelles sont évaluées sur des ensembles de données de référence.