La régression quantile est devenue une alternative populaire à la régression linéaire classique en raison de sa capacité à analyser les effets des covariables à différents niveaux quantiles d'une variable de réponse. Dans cette étude, nous considérons l'estimation des effets des covariables sur les quantiles des distributions marginales des temps de survie bivariés observés séquentiellement. En particulier, nous proposons une méthode d'estimation en deux étapes, dans laquelle nous utilisons des copules pour modéliser la dépendance entre deux temps de survie. Dans un premier temps, nous définissons un modèle de temps de défaillance accéléré pour le premier temps de survie et obtenons des estimateurs cohérents du modèle marginal et des paramètres de dépendance. Dans un deuxième temps, nous utilisons des équations d'estimation de martingales généralisées pour estimer les effets des covariables dans la régression quantile conditionnelle formulée comme un modèle de transformation pour le deuxième temps de survie. Nous utilisons un estimateur sandwich robuste pour l'estimation de la variance. La méthode est illustrée par un ensemble de données sur le cancer du côlon.