Dans l’analyse des temps jusqu’à un événement, un modèle de guérison mixte (MC) est à privilégier par rapport à un modèle de survie standard lorsque l’échantillon comprend une fraction de sujets « guéris », c.-à-d. qui ne connaîtront jamais l’événement d’intérêt. Motivés par des analyses MC d’une cohorte de patientes atteintes d’un cancer du sein avec biomarqueurs pronostiques incomplets, nous développons des méthodes d’imputation multiple afin d’améliorer l’inférence lorsque le taux d’événements est faible et que des covariables déséquilibrées comportent des valeurs manquantes. Pour assurer la compatibilité avec le modèle MC, nous dérivons un modèle d’imputation par distribution conditionnelle exacte (ECD) qui mobilise la vraisemblance du modèle d’analyse; les modèles ECD et d’analyse étant des conditionnelles d’un modèle conjoint. Par simulations, nous comparons le biais des estimateurs d’effet et la couverture des intervalles de confiance pour des modèles d’imputation alternatifs, sous une inférence robuste fondée sur une vraisemblance pénalisée, en échantillons finis et/ou épars; l’ECD produit un biais plus faible et une meilleure couverture lorsque le taux d’événements diminue. Une application à l’analyse pronostique de la récidive du cancer du sein apporte des éclairages nouveaux.