Les facteurs de confusion non mesurés restent un défi majeur dans l'estimation des effets causaux à partir de données temporelles. Nous proposons un cadre bayésien qui modélise les facteurs de confusion non mesurés comme une variable binaire latente afin d'estimer l'effet causal de la probabilité de survie (SPCE) dans le cadre d'un modèle de temps de défaillance accéléré (AFT) de Weibull. En nous appuyant sur un processus structurel de génération de données avec une SPCE réelle connue, nous générons des temps de survie à partir d'un modèle AFT de Weibull et attribuons un traitement via un modèle logistique en fonction des covariables mesurées et non mesurées. Nous examinons à la fois la censure non informative et informative, en permettant au processus de censure de dépendre des covariables, du traitement et du facteur de confusion latent. Sur plusieurs scénarios variant les taux de censure, la force de confusion et les choix antérieurs, nous comparons notre approche à des modèles naïfs et des modèles de facteurs de confusion entièrement observés. L'inférence a posteriori via MCMC montre un biais réduit et une incertitude bien calibrée, en particulier dans le cas d'une censure informative.