En autorisant l’observation des données à plusieurs niveaux de précision, les hiérarchies occupent une place importante dans les analyses d’entrepôts de données. Malheureusement, les modèles d’entrepôts existants ne considèrent qu’un sous-ensemble restreint des types possibles de hiérarchie. Par exemple, il n’est pas possible de modéliser le fait que le caractère “faible”, “normal” ou “élevé” de la tension artérielle d’un patient (qui constitue une hiérarchisation de la mesure) dépend de son âge (élément lié à la dimension). Ces hiérarchies, dites contextuelles, ont récemment été introduites dans des travaux précédents. Dans cet article, nous proposons la première approche pour les modéliser. Une base experte représentant la connaissance du domaine est créée. Ensuite, un algorithme de réécriture de requêtes est proposé pour permettre une analyse flexible, efficace et adéquate d’un entrepôt possédant de telles hiérarchies. Par exemple, il est désormais possible de répondre à la requête “Quels patients ont eu une tension faible au cours de la nuit?” en prenant en compte de manière adéquate les contextes associés au caractère “faible” de la mesure tension.