L’étude d’événements et d’expositions rares nécessite des données d’observation multicentriques de grande taille. Cependant, le processus d’approbation des données de survie sensibles au niveau individuel (temps d’événements et caractéristiques des patients) peut être long. Les travaux actuels sur l’analyse de survie distribuée portent sur des modèles paramétriques et semi-paramétriques plutôt que sur des courbes de Kaplan-Meier non paramétriques. Nous élaborons une méthode séquentielle et distribuée préservant la confidentialité pour l’approximation des courbes de Kaplan-Meier par des splines mises à jour avec la fonction d’influence. Nous adaptons les facteurs de confusion au moyen d’une pondération des probabilités inverses, et l’inférence se fait au moyen du test logarithmique par rangs pondéré. Notre méthode ne nécessite que l’échange de données sommaires (coefficients de spline et emplacements des nœuds). Nous présentons des résultats inférentiels équivalents à ceux de l’analyse de Kaplan-Meier avec des données de simulation regroupées. Nous utilisons notre méthode pour analyser l’incidence des caillots sanguins après l’infection par la COVID-19 et après la vaccination contre la COVID-19 avec les données des dossiers médicaux électroniques de Corewell Health et Michigan Medicine.