Les données issues d'études médicales et d'essais cliniques sont souvent soumises à divers mécanismes de censure, mais peu de méthodes permettent de les traiter toutes dans un cadre unique. Nous abordons ce problème en modélisant les durées des événements à l'aide d'un a priori arborescent de Pólya. Cette approche permet de traiter la censure à droite, les données sur l'état actuel et la censure par intervalle générale en mettant directement à jour la distribution a posteriori à partir des observations censurées. Notre méthode s'articule autour d'un algorithme unifié d'espérance maximale a posteriori (MAP-EM). L'algorithme utilise des mises à jour sous forme fermée, ce qui le rend stable et efficace dans différents contextes de censure. Nous établissons les propriétés asymptotiques de l'estimateur et réalisons des études de simulation approfondies pour évaluer ses performances sur les échantillons finis. Dans un large éventail de scénarios, la méthode proposée atteint une précision supérieure à celle des approches de référence, notamment l'arbre de Pólya optionnel, les méthodes fiduciales et l'estimateur non paramétrique du maximum de vraisemblance (NPMLE).