Au cours des dernières années, de nombreux travaux en biostatistique ont porté sur le développement d'outils de prédiction dynamique d'événements de santé à partir de mesures répétées de marqueurs ou facteurs de risque. Ces outils constituent une contribution essentielle au développement de la médecine personnalisée car ils permettent de prédire le risque individuel de survenue d'un événement dans une fenêtre de temps à partir de l'ensemble des informations collectées jusqu'au temps courant. Les modèles conjoints pour un ou plusieurs temps d'événements (potentiellement compétitifs) et les données répétées de marqueurs longitudinaux est la méthode privilégiée dans ce domaine. Ces modèles combinent donc des modèles mixtes et des modèles de survie liés soient par des effets aléatoires partagés soit par des classes latentes. Bien que l'estimation fréquentiste ou Bayésienne de ces modèles soient dorénavant possibles grâce à différents logiciels, l'estimation de modèles conjoints incluant de nombreux marqueurs longitudinaux reste un défi majeur. Quelle que soit l'approche, l'estimation conjointe devient impossible lorsque le nombre de marqueurs est trop grand en raison du nombre trop élevé d'effets aléatoires et de paramètres à estimer et à l'imprécision du calcul numérique des intégrales de grandes dimensions.

Dans ce travail, nous proposons d'estimer les prédictions dynamiques individuelles basées sur les mesures répétées de multiples marqueurs par une moyenne pondérée des prédictions estimées à partir de modèles conjoints ne comportant chacun qu'un marqueur. Les poids peuvent dépendre du temps de prédiction. Ils sont estimés en minimisant le score de Brier dépendant du temps. Bien que le temps de calcul global puisse être long, cette approche est toujours réalisable (et aisément parallélisable), même lorsque le nombre de prédicteurs longitudinaux est très élevé. Ses avantages et limites sont évalués par divers scénarios de simulations et comparer aux prédictions du modèle multi-marqueurs dans les scénarios où il est estimable. Cette méthode est utilisée pour prédire le risque de décès dans la cohorte de personnes âgées 3C à partir de 17 prédicteurs longitudinaux et ses capacités prédictives sont comparées à celles de plusieurs approches alternatives.