Les régimes de traitement dynamiques optimaux (DTR) sont des règles de décision visant à déterminer la séquence de traitements adaptés aux patients, maximisant leurs résultats à long terme. Alors que l'estimation conventionnelle des DTRs utilise des données longitudinales, il y a peu de travail sur les méthodes utilisant des données observées de manière irrégulière dans le contexte de l'estimation des DTRs optimaux. Dans le cadre de notre projet, nous abordons d'abord les essais ciblés, un paradigme permettant d'estimer des paramètres causals spécifiés dans des scénarios hypothétiques tout utilisant des données observationelles, au contexte des DTRs; cette extension nous permet de définir des régimes de traitement avec des temps de visite intervenables. Nous proposons ensuite 1) une version adaptée du «G-computation» qui se base sur la loi marginale des effets aléatoires et 2) un modèle bayésien conjoint pour les effets aléatoires corrélés entre les processus de résultat, de visite et de traitement. Nous montrons à travers des études de simulation que, en ignorant la corrélation due aux processus de traitement et de visite, nous obtenons un biais dans l'estimation des valeurs de régime.