Prédire dynamiquement un risque de survenue d'évènement en prenant en compte l'historique médical complet d'un patient représente un défi statistique. En effet, de tels prédicteurs incluent souvent des variables qui évoluent au cours du temps et pour lesquelles on ne possède que des observations bruitées, mesurées à des temps irréguliers. Les approches proposées dans la littérature ont d'importantes limites. L'estimation des modèles conjoints devient impossible lorsque le nombre de prédicteurs longitudinaux croît et l'approche par regression calibration en deux étapes ignore la présence de données manquantes informatives. On propose une approche totalement non paramétrique, robuste aux données manquantes et qui permet d'inclure un grand nombre de prédicteurs longitudinaux, potentiellement mesurés irrégulièrement. Cette nouvelle méthode combine le principe des forêts aléatoires de survie (capables de gérer naturellement l'aspect grande dimension et la prédiction dynamique) avec l'analyse en composantes principales fonctionnelles (qui permet de résumer la dynamique temporelle des marqueurs).