L'estimation causale repose sur l'hypothèse non vérifiable de l'absence de variables confondantes non mesurées pour garantir que le paramètre causal d'intérêt soit identifiable. L'analyse de sensibilité (SA) quantifie l'impact de la confusion non mesurée sur les estimations causales. Parmi les méthodes de SA, l'approche de la variable confondante latente est souvent préférée pour son interprétation intuitive à travers l'utilisation de paramètres de sensibilité pour spécifier la relation entre les variables observées et non observées. Cependant, cette approche n'a pas encore été adaptée pour l’analyse causale avec des données longitudinales. Nous avons développé une approche bayésienne de SA pour quantifier l'impact de la confusion non mesurée variant dans le temps avec des traitements variant également dans le temps. Nous avons mené des études de simulation pour examiner la performance de notre approche et l'avons appliquée à des données provenent d’un registre de maladies pédiatriques multi-centres.