Dans le cadre d'une éducation thérapeutique digitalisée où l'aspect motivationnel est prépondérant, une personnalisation du parcours patient doit se rapprocher d'une trajectoire optimale dans un large espace d'activités ludiques, caractérisées par un niveau de difficulté et des compétences à maîtriser. La machine doit apprendre des succès ou échecs pour faire dynamiquement des recommandations des futures étapes et offrir l'expérience la plus adaptée à chaque patient. En abordant cette problématique sous l'angle des algorithmes adaptatifs, nous proposons une approche originale. Nous étudions deux familles d'algorithmes (règles logiques et bandits Thompson Sampling) en comparant leurs performances à travers un environnement de simulation. Les premiers résultats montrent un avantage pour le bandit TS quelles que soient les caractéristiques d'apprentissage du patient.