Dans les études longitudinales en cancer, une problématique majeure est la description de l’évolution de la maladie d’un patient ou la prédiction de son état futur, à partir de mesures répétées d’un marqueur biologique. La modélisation conjointe permet de répondre à ces objectifs, mais elle a principalement été développée pour l’étude simultanée d’un marqueur longitudinal Gaussien et d’un unique temps d’événement. Afin de caractériser les transitions entre événements successifs qu’un patient peut connaître, nous étendons la méthodologie classique en introduisant un modèle conjoint pour un processus longitudinal Gaussien et un processus multi-états Markovien non homogène. Le modèle suppose que les temps de transition individuels sont indépendants conditionnellement aux covariables incluses. Nous proposons aussi un score test afin de tester cette hypothèse. Ces développements sont appliqués à deux cohortes d’hommes avec un cancer de la prostate localisé traité par radiothérapie. Le modèle permet de quantifier l’impact des dynamiques de l’antigène spécifique de la prostate, et d’autres facteurs pronostiques mesurés à la fin du traitement, sur chaque intensité de transition entre états cliniques prédéfinis. Cette thèse fournit ensuite des outils statistiques et des lignes directrices pour le calcul de prédictions dynamiques individuelles d’événements cliniques, dans le cadre de risques compétitifs. Enfin, un dernier travail amène une réflexion sur la modélisation conjointe de données longitudinales ordinales et de données de survie, avec une technique d’inférence innovante. Ainsi, ce travail introduit des méthodes statistiques adaptées à divers types de données longitudinales et d’histoire d’événements, qui permettent de répondre aux besoins des cliniciens. Des recommandations méthodologiques et des outils logiciels sont associés à chaque développement, pour une utilisation pratique par les communautés clinique et statistique.