En recherche clinique, l'identification de sous-groupes de patients sur la base d'un biomarqueur continu est cruciale pour évaluer les effets différentiels des traitements. Cette étude explore une approche de classification prédictive dans le cadre d'un modèle de Cox, où l'objectif est d'estimer un point de coupure d'un biomarqueur inconnu et de tester si les effets du traitement varient entre les sous-groupes. Un défi majeur se pose lorsque l'effet principal du sous-groupe est absent, ce qui rend le point de coupure non identifiable sous l'hypothèse nulle. Les méthodes existantes se heurtent à de telles difficultés, en particulier lorsque l'effet principal est faible. Pour y remédier, nous introduisons des statistiques de test basées sur le score de profil qui sont combinées à des techniques par bootstrap « m-out-of-n » pour déterminer les valeurs critiques. Notre méthode est conçue pour être robuste aux problèmes d'identifiabilité et nous établissons sa validité asymptotique.