Pour relever le défi de l'utilisation de données de patients provenant d'autres centres de transplantation d'organes (cohortes sources) afin d'améliorer l'estimation de la durée de survie et l'inférence pour un centre cible (cohorte cible) avec des échantillons limités et des contraintes de confidentialité strictes en matière de partage de données, nous proposons la méthode d'apprentissage par transfert éclairé par la similarité (SITL). Cette approche estime la régression quantile censurée fonctionnelle multivariée en exploitant de manière flexible les informations de chaque cohorte source en fonction de sa similarité avec la cohorte cible. En outre, la méthode est adaptable à des données continuellement mises à jour en temps réel. Nous établissons les propriétés asymptotiques des estimateurs obtenus à l'aide de la méthode SITL et démontrons des taux de convergence améliorés. En outre, nous développons une approche améliorée qui combine la méthode SITL avec une technique de rééchantillonnage pour construire des intervalles de confiance plus précis pour les coefficients fonctionnels, technique soutenue par des garanties théoriques.