Les modèles conjoints pour données longitudinales et risques concurrents sont essentiels pour les données cliniques complexes, mais l'estimation devient inefficace en présence de covariables potentiellement non pertinentes. Cet article propose un cadre de modélisation conjoint efficace qui intègre le rétrécissement et l'estimation de prétest afin d'améliorer la précision prédictive. Nous construisons un modèle reliant les mesures longitudinales aux risques concurrents via des effets latents partagés, estimés à l'aide d'un algorithme EM. Pour améliorer l'efficacité, nous ajustons à la fois un modèle complet et un sous-modèle réduit, en combinant leurs résultats pour définir des estimateurs de prétest et de rétrécissement. Nous montrons analytiquement que ces estimateurs de rétrécissement présentent un plus petit risque que les estimateurs de modèle complet conventionnels lorsque la dimension de rétrécissement dépasse deux. La supériorité de la méthode proposée, en particulier en ce qui concerne l'erreur quadratique moyenne, est démontrée par des simulations et une application à des données réelles, prouvant que cette méthode est une solution robuste pour l'analyse conjointe en présence de risques concurrents.