Ce travail se concentre sur l'étude jointe d'un modèle de survie et d'un modèle à effets mixtes pour expliquer le temps de survie à partir de données longitudinales et de covariables de grande dimension. Les données longitudinales sont modélisées à l'aide d'un modèle non linéaire à effets mixtes, dans lequel la fonction de régression sert de fonction de lien incorporée dans un modèle de Cox en tant que covariable. De cette manière, les données longitudinales sont liées à la durée de survie à un moment donné. De plus, le modèle de Cox prend en compte l'inclusion de covariables de grande dimension. Les principaux objectifs de cette recherche sont doubles : premièrement, identifier les covariables pertinentes qui contribuent à expliquer le temps de survie, et deuxièmement, estimer tous les paramètres inconnus du modèle joint. Pour ce faire, nous considérons la maximisation de la vraisemblance pénalisée par le LASSO. Pour résoudre le problème d'optimisation, nous introduisons un gradient stochastique préconditionné adapté aux variables latentes du modèle non linéaire à effets mixtes, associé à un opérateur proximal qui permet de gérer la non-différentiabilité de la pénalité. Nous proposons une large étude de simulations afin de montrer les performances de la procédure proposée, à la fois en termes de sélection de variables et d'estimation des paramètres du modèle considéré.